刮掉某些数据的网页

Question

我们正在创建一个脚本。

本质上是用户进入一个表单域：3358928 OnSubmit ajax，访问下面的页面，附加用户输入到url中的数字字符串。

http://www.fairtrading.qld.gov.au/ftlr/Default.aspx?ResultType=LNum&LNum=3358928&LType=REAL%20ESTATE&Page=1

在该网址上，是第一个有名有姓。 我们将如何刮掉名字和姓氏，并将其回显至我们的表格。

从抓取页面开始，问题就出现了。

任何帮助表示赞赏。

Answer 1

首先，您的Web服务器必须设置为代理所有客户端的请求。否则，第三方服务器would have to send an Access-Control-Allow-Origin header和访问者的浏览器将不得不支持跨域XMLHttpRequest。 （Flash/Silverlight同样需要crossdomain.xml文件。）

这正是http://ajax-cross-domain.com/的工作方式。 （这个特定的代理脚本恰好为JavaScript编码第三方服务器的响应。）

我注意到特定页面包括XHTML文档类型，这似乎表明，你可以使用本地的XMLHttpRequest的responseXML财产或jQuery（与AJAX Cross Domain相对）利用浏览器的XML解析器。不幸的是，这只是另一个输出无效的XML —的网站，它不能正确编码＆符号作为&。

因此，您很可能会诉诸正则表达式，即not ideal。最有可能，最简单的方法是找到td元素（依靠事实完全相同的标签没有嵌套）的文本：

// Creating the regexp object  
var regex = /<td class="BodyFont">(.*?)<\/td>/g; 

// Execute this line of code as many times as needed. 
contentsOfNextTd = regex.exec(textOfThePage)[1]; 

排序的丑，认为这将是，如果只是简单得多我们有有效的XML可以使用。如果您有选择，我会建议在自己的服务器上抓取页面，并返回格式良好的JSON或XML响应—无论如何您都需要服务器端代理，并且它会使客户端代码更简单。