python寫的數(shù)據(jù)采集，對一般有規(guī)律的頁面用 urllib2 + BeautifulSoup + 正則就可以搞定。 但是有些頁面的內(nèi)容是通過js生成，或者通過js跳轉(zhuǎn)的，甚至js中還加入幾道混淆機制；對這種涉及頁面腳本解析的內(nèi)容，前面的方式便很無力。
這時我們需要能解析、運行js的引擎——瀏覽器，而python selenium能提供程序與瀏覽器的交互接口，再加上phantomjs這個可以后臺運行的瀏覽器，即使用 selenium + phantomjs 便可以解決以上的問題。
selenium可以操作頁面的元素，并且提供執(zhí)行js腳本的接口。但其調(diào)用js腳本后并不能直接返回執(zhí)行的結(jié)果，這樣再采集內(nèi)容的過程中就會受到一些限制。 比如我們想使用頁面中的函數(shù)進行數(shù)據(jù)轉(zhuǎn)換，或者獲取iframe里的內(nèi)容，這些js產(chǎn)生數(shù)據(jù)要傳回比較麻煩。
所以我便寫一個簡化js數(shù)據(jù)回傳的擴展 exescript.py
#!/usr/bin/env python# -*- coding:utf-8 -*-## created by heqingpan_init_js="""(function (){if (window.__e){ return;}var e=document.createElement('div');e.setAttribute("id","__s_msg");e.style.display="none";document.body.appendChild(e);window.__e=e;})();window.__s_set_msg=function(a){ window.__e.setAttribute("msg",a.toString()||"");}"""_loadJsFmt="""var script = document.createElement('script');script.src = "{0}";document.body.appendChild(script);"""_jquery_cdn="class ExeJs(object): def __init__(self,driver,trytimes=10): from time import sleep self.driver=driver driver.execute_script(_init_js) while trytimes >0: try: self.msgNode=driver.find_element_by_id('__s_msg') break except Exception: sleep(1) trytimes -= 1 if self.msgNode is None: raise Exception() def exeWrap(self,jsstr): """ jsstr 執(zhí)行后有返回值，返回值通過self.getMsg()獲取 """ self.driver.execute_script(_warpjsfmt.format(jsstr)) def loadJs(self,path): self.execute(_loadJsFmt.format(path)) def loadJquery(self,path=_jquery_cdn): self.loadJs(path) def execute(self,jsstr): self.driver.execute_script(jsstr) def getMsg(self): return self.msgNode.get_attribute('msg')
打開ipython上一個例子，獲取博客園首頁文章title列表
from selenium import webdriverimport exescriptd=webdriver.PhantomJS("phantomjs")d.get(")print exejs.getMsg()#out: """20"""jsstr="""(function(){var r=[];$(".post_item").each(function(){ var $this=$(this); var $h3=$this.find("h3"); r.push($h3.text());});return r.join(',');})()"""exejs.exeWrap(jsstr)l=exejs.getMsg()for title in l.split(','): print title#out:"""mac TeamTalk開發(fā)點點滴滴之一——DDLogic框架分解上The directfb backend was supported together with linux-fb backend in GTK+2.10Science上發(fā)表的超贊聚類算法功能齊全、效率一流的免費開源數(shù)據(jù)庫導(dǎo)入導(dǎo)出工具（c#開發(fā)，支持SQL server、SQLite、ACCESS三種數(shù)據(jù) 庫），每月借此處理數(shù)據(jù)5G以上企業(yè)級應(yīng)用框架(三)三層架構(gòu)之數(shù)據(jù)訪問層的改進以及測試DOM的發(fā)布Unity3D 第一季 00 深入理解U3D開發(fā)平臺Welcome to Swift (蘋果官方Swift文檔初譯與注解二十一)---140~147頁(第三章--集合類型)appium簡明教程（11）——使用resource id定位SQL語句匯總(終篇）—— 表聯(lián)接與聯(lián)接查詢fopen警告處理方式AndroidWear開發(fā)之HelloWorld篇AMD and CMD are dead之KMD.js版本0.0.2發(fā)布SQL語句匯總(三）——聚合函數(shù)、分組、子查詢及組合查詢DevExpress GridControl功能總結(jié)ASP.NET之Jquery入門級別2014年前端面試經(jīng)歷grunt源碼解析：整體運行機制&grunt-cli源碼解析跟用戶溝通，問題盡量分析清楚，以及解決問題ASP.NET之Ajax系列（一）算法復(fù)雜度分析"""
