java爬虫抓取动态网页( Python网络爬虫内容提取器一文讲解)

　　java爬虫抓取动态网页(

Python网络爬虫内容提取器一文讲解)

　　1 简介

　　在Python网络爬虫内容提取器一文中，我们详细讲解了核心组件：可插拔内容提取器类gsExtractor。本文记录了在确定gsExtractor技术路线过程中所做的编程实验。这是第二部分。第一部分是使用xslt一次性提取静态网页内容并转换成xml格式的实验。这就留下了一个问题：如何提取javascript管理的动态内容？那么这篇文章就回答了这个问题。

　　2.提取动态内容的技术成分

　　上一篇Python使用xslt提取网页数据，提取的内容直接从网页源码中获取。但是有些Ajax动态内容在源码中是找不到的，所以需要找一个合适的库来加载异步或者动态加载的内容，交给本项目的提取器进行提取。

　　Python可以使用selenium来执行javascript，selenium可以让浏览器自动加载页面，获取需要的数据。Selenium本身没有浏览器，可以使用Firefox、Chrome等第三方浏览器，也可以使用PhantomJS等无头浏览器在后台执行。

　　3、源码及实验过程

　　如果我们要抓取京东手机页面的手机名称和价格（网页源码中没有找到价格），如下图：

　　第一步：使用直观的采集和搜索客户标记功能，可以很快自动生成调试好的抓包规则，其实就是一个标准的xslt程序，如下图，将生成的xslt程序复制到下面可以在程序中。注：本文仅记录实验过程。在实际系统中，xslt 程序会以多种方式注入到内容提取器中。

　　第二步：执行如下代码（在windows10下测试，python3.2），请注意：xslt是一个比较长的字符串，如果把这个字符串删掉，那几行代码也不多，够看Python了强大的

　　#/usr/bin/python

from urllib import request

from lxml import etree

from selenium import webdriver

import 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.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)

# 执行js得到整个dom

html = 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)

　　第三步：如下图所示，网页上手机的名称和价格已被正确抓取

　　4. 阅读下一步

　　至此，我们已经演示了如何通过两个文章来抓取静态和动态的网页内容，这两个文章都使用xslt一次从网页中提取需要的内容。实际上，xslt 是一种更复杂的编程语言。如果你手动写xslt，那么最好写离散xpath。如果这个xslt不是手工写的，而是程序自动生成的，这是有道理的，程序员不再需要花时间编写和调试捕获规则，这是一项非常耗时费力的工作。接下来，《一分钟快速生成xslt进行网页内容提取》将介绍如何生成xslt。

　　5.采集GooSeeker开源代码下载源

　　1.GooSeeker开源Python网络爬虫GitHub源码

　　5. 文档修改历史

　　2016-05-26：V2.0，添加文字说明

　　2016-05-29：V2.1，增加第五章：源码下载源码，修改github源码地址