最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

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

 更新時(shí)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(dòng)態(tài)HTML內(nèi)容,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下

1、引言

Python網(wǎng)絡(luò)爬蟲內(nèi)容提取器一文我們?cè)敿?xì)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(shí)驗(yàn)。這是第二部分,第一部分實(shí)驗(yàn)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(gè)問題:javascript管理的動(dòng)態(tài)內(nèi)容怎樣提???那么本文就回答這個(gè)問題。

2、提取動(dòng)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(dòng)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(dòng)態(tài)加載的內(nèi)容加載上來,交給本項(xiàng)目的提取器進(jìn)行提取。

python可以使用selenium執(zhí)行javascript,selenium可以讓瀏覽器自動(dòng)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(tái)執(zhí)行。

3、源代碼和實(shí)驗(yàn)過程

假如我們要抓取京東手機(jī)頁面的手機(jī)名稱和價(jià)格(價(jià)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(tái)的直觀標(biāo)注功能,可以極快速度自動(dòng)生成一個(gè)調(diào)試好的抓取規(guī)則,其實(shí)是一個(gè)標(biāo)準(zhǔn)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(shí)驗(yàn)過程,實(shí)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(cè)試通過,源代碼下載地址請(qǐng)見文章末尾GitHub),請(qǐng)注意:xslt是一個(gè)比較長的字符串,如果刪除這個(gè)字符串,代碼沒有幾行,足以見得Python之強(qiáng)大

#/usr/bin/python 
from urllib import request 
from lxml import etree 
from selenium import webdriver 
import time 
 
# 京東手機(jī)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(tái)圖形界面自動(dòng)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(jià)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(jià)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(gè)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(jī)名稱和價(jià)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(dòng)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(shí)xslt是一個(gè)比較復(fù)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(gè)xslt不是手工寫出來的,而是程序自動(dòng)生成的,這就有意義了,程序員再也不要花時(shí)間編寫和調(diào)測(cè)抓取規(guī)則了,這是很費(fèi)時(shí)費(fèi)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(bǔ)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

相關(guān)文章

最新評(píng)論

明光市| 扎赉特旗| 光泽县| 满洲里市| 城口县| 湘潭市| 滦平县| 常州市| 云南省| 浠水县| 隆回县| 朝阳市| 方城县| 明星| 伊川县| 神农架林区| 古浪县| 商河县| 平凉市| 饶阳县| 扬州市| 东至县| 黄浦区| 孝感市| 襄樊市| 望奎县| 偃师市| 蛟河市| 大荔县| 应城市| 建湖县| 苗栗市| 象州县| 奎屯市| 兖州市| 古丈县| 东港市| 广安市| 收藏| 夏邑县| 阿拉善右旗|