Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTM

　　Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTM

　　1 引言

　　在Python网络爬虫内容提取器一文我们详细讲解了核心部件：可插拔的内容提取器类gsExtractor。本文记录了确定gsExtractor的技术路线过程中所做的编程实验。这是第二部分，第一部分实验了用xslt方式一次性提取静态网页内容并转换成xml格式。留下了一个问题：javascript管理的动态内容怎样提取？那么本文就回答这个问题。

　　2 提取动态内容的技术部件

　　在上一篇python使用xslt提取网页数据中，要提取的内容是直接从网页的source code里拿到的。但是一些Ajax动态内容是在source code找不到的，就要找合适的程序库把异步或动态加载的内容加载上来，交给本项目的提取器进行提取。

　　python可以使用selenium执行javascript，selenium可以让浏览器自动加载页面，获取需要的数据。selenium自己不带浏览器，可以使用第三方浏览器如Firefox，Chrome等，也可以使用headless浏览器如PhantomJS在后台执行。

　　3 源代码和实验过程

　　假如我们要抓取京东手机页面的手机名称和价格(价格在网页源码是找不到的)，如下图：

　　第一步：

　　利用集搜客谋数台的直观标注功能，可以极快速度自动生成一个调试好的抓取规则，其实是一个标准的xslt程序，如下图，把生成的xslt程序拷贝到下面的程序中即可。注意：本文只是记录实验过程，实际系统中，将采用多种方式把xslt程序注入到内容提取器重。

　　第二步：

　　执行如下代码(在windows10， python3.2下测试通过，下载源代码请见文章末尾的GitHub源)，请注意：xslt是一个比较长的字符串，如果删除这个字符串，代码没有几行，足以见得Python之强大。

　　<p style="margin-top: 5px; margin-bottom: 5px; line-height: 1.5em;">#/usr/bin/pythonfrom urllib import requestfrom lxml import etreefrom selenium import webdriverimport time# 京东手机商品页面url = "http://item.jd.com/1312640.html"# 下面的xslt是通过集搜客的谋数台图形界面自动生成的xslt_root = etree.XML("""\""")# 使用webdriver.PhantomJSbrowser = webdriver.PhantomJS(executable_path='C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')browser.get(url)time.sleep(3)transform = etree.XSLT(xslt_root)# 执行js得到整个domhtml = browser.execute_script("return document.documentElement.outerHTML")doc = etree.HTML(html)# 用xslt从dom中提取需要的字段result_tree = transform(doc)print(result_tree)<br /></p>

　　第三步：

　　下图可以看到，网页中的手机名称和价格被正确抓取下来了

　　End.

　　作者：fullerhua（中国统计网特邀认证作者）

　　本文为中国统计网原创文章，需要转载请联系中国统计网（ ），转载时请注明作者及出处，并保留本文链接。

　　更多精彩，长按下方图片中的二维码，下载APP查看。