Python爬蟲使用Selenium+PhantomJS抓取Ajax和動態(tài)HTML內(nèi)容

更新時間：2018年02月23日 14:25:19 作者：fullerhua

這篇文章主要介紹了Python爬蟲使用Selenium+PhantomJS抓取Ajax和動態(tài)HTML內(nèi)容，具有一定的參考價值，感興趣的小伙伴們可以參考一下

1、引言

在Python網(wǎng)絡(luò)爬蟲內(nèi)容提取器一文我們詳細講解了核心部件：可插拔的內(nèi)容提取器類gsExtractor。本文記錄了確定gsExtractor的技術(shù)路線過程中所做的編程實驗。這是第二部分，第一部分實驗了用xslt方式一次性提取靜態(tài)網(wǎng)頁內(nèi)容并轉(zhuǎn)換成xml格式。留下了一個問題：javascript管理的動態(tài)內(nèi)容怎樣提??？那么本文就回答這個問題。

2、提取動態(tài)內(nèi)容的技術(shù)部件

在上一篇python使用xslt提取網(wǎng)頁數(shù)據(jù)中，要提取的內(nèi)容是直接從網(wǎng)頁的source code里拿到的。但是一些Ajax動態(tài)內(nèi)容是在source code找不到的，就要找合適的程序庫把異步或動態(tài)加載的內(nèi)容加載上來，交給本項目的提取器進行提取。

python可以使用selenium執(zhí)行javascript，selenium可以讓瀏覽器自動加載頁面，獲取需要的數(shù)據(jù)。selenium自己不帶瀏覽器，可以使用第三方瀏覽器如Firefox，Chrome等，也可以使用headless瀏覽器如PhantomJS在后臺執(zhí)行。

3、源代碼和實驗過程

假如我們要抓取京東手機頁面的手機名稱和價格(價格在網(wǎng)頁源碼是找不到的)，如下圖：

第一步：利用集搜客謀數(shù)臺的直觀標注功能，可以極快速度自動生成一個調(diào)試好的抓取規(guī)則，其實是一個標準的xslt程序，如下圖，把生成的xslt程序拷貝到下面的程序中即可。注意：本文只是記錄實驗過程，實際系統(tǒng)中，將采用多種方式把xslt程序注入到內(nèi)容提取器重。

第二步：執(zhí)行如下代碼(在windows10， python3.2下測試通過，源代碼下載地址請見文章末尾GitHub)，請注意：xslt是一個比較長的字符串，如果刪除這個字符串，代碼沒有幾行，足以見得Python之強大

#/usr/bin/python 
from urllib import request 
from lxml import etree 
from selenium import webdriver 
import time 
 
# 京東手機商品頁面 
url = "http://item.jd.com/1312640.html" 
 
# 下面的xslt是通過集搜客的謀數(shù)臺圖形界面自動生成的 
xslt_root = etree.XML("""\ 
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" > 
<xsl:template match="/"> 
<商品> 
<xsl:apply-templates select="http://*[@id='itemInfo' and count(.//*[@id='summary-price']/div[position()=2]/strong/text())>0 and count(.//*[@id='name']/h1/text())>0]" mode="商品"/> 
</商品> 
</xsl:template> 
 
<xsl:template match="http://*[@id='itemInfo' and count(.//*[@id='summary-price']/div[position()=2]/strong/text())>0 and count(.//*[@id='name']/h1/text())>0]" mode="商品"> 
<item> 
<價格> 
<xsl:value-of select="*//*[@id='summary-price']/div[position()=2]/strong/text()"/> 
<xsl:value-of select="*[@id='summary-price']/div[position()=2]/strong/text()"/> 
<xsl:if test="@id='summary-price'"> 
<xsl:value-of select="div[position()=2]/strong/text()"/> 
</xsl:if> 
</價格> 
<名稱> 
<xsl:value-of select="*//*[@id='name']/h1/text()"/> 
<xsl:value-of select="*[@id='name']/h1/text()"/> 
<xsl:if test="@id='name'"> 
<xsl:value-of select="h1/text()"/> 
</xsl:if> 
</名稱> 
</item> 
</xsl:template> 
</xsl:stylesheet>""") 
 
# 使用webdriver.PhantomJS 
browser = webdriver.PhantomJS(executable_path='C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe') 
browser.get(url) 
time.sleep(3) 
 
transform = etree.XSLT(xslt_root) 
 
# 執(zhí)行js得到整個dom 
html = browser.execute_script("return document.documentElement.outerHTML") 
doc = etree.HTML(html) 
# 用xslt從dom中提取需要的字段 
result_tree = transform(doc) 
print(result_tree)

第三步：下圖可以看到，網(wǎng)頁中的手機名稱和價格被正確抓取下來了

4、接下來閱讀

至此，我們通過兩篇文章演示怎樣抓取靜態(tài)和動態(tài)網(wǎng)頁內(nèi)容，都采用了xslt一次性將需要的內(nèi)容從網(wǎng)頁上提取出來，其實xslt是一個比較復雜的程序語言，如果手工編寫xslt，那么還不如寫成離散的xpath。如果這個xslt不是手工寫出來的，而是程序自動生成的，這就有意義了，程序員再也不要花時間編寫和調(diào)測抓取規(guī)則了，這是很費時費力的工作。下一篇《1分鐘快速生成用于網(wǎng)頁內(nèi)容提取的xslt》將講述怎樣生成xslt。

5、集搜客GooSeeker開源代碼下載源

1. GooSeeker開源Python網(wǎng)絡(luò)爬蟲GitHub源

6、文檔修改歷史

2016-05-26：V2.0，增補文字說明
2016-05-29：V2.1，增加第五章：源代碼下載源，并更換github源的網(wǎng)址

您可能感興趣的文章: