python爬虫技术:动态页面抓取超级指南_光环大数据Python培训
当我们进行网页爬虫时，我们会利用一定的规则从返回的 HTML 数据中提取出有效的信息。但是如果网页中含有 JavaScript 代码，我们必须经过渲染处理才能获得原始数据。此时，如果我们仍采用常规方法从中抓取数据，那么我们将一无所获。浏览器知道如何处理这些代码并将其展现出来，但是我们的程序该如何处理这些代码呢？接下来，我将介绍一个简单粗暴的方法来抓取含有JavaScript 代码的网页信息。
大多数人利用lxml和BeautifulSoup这两个包来提取数据。本文中我将不会介绍任何爬虫框架的内容，因为我只利用最基础的lxml包来处理数据。也许你们会好奇为啥我更喜欢lxml。那是因为lxml利用元素遍历法来处理数据而不是像BeautifulSoup一样利用正则表达式来提取数据。本文中我将介绍一个非常有趣的案例——之前我突然发现我的文章出现在最近的 Pycoders weekly issue 147中，因此我想爬取 Pycoders weekly 中所有档案的链接。
很明显，这是一个含有 JavaScript 渲染的网页。我想要抓取网页中所有的档案信息和相应的链接信息。那么我该怎么处理呢？首先，我们利用 HTTP 方法无法获得任何信息。
import requestsfrom lxml import html# storing responseresponse = requests.get('/archive')# creating lxml tree from response bodytree = html.fromstring(response.text)# Finding all anchor tags in responseprint tree.xpath('//div[@class="campaign"]/a/@href')
当我们运行上述代码时，我们无法获得任何信息。这怎么可能呢？网页中明明显示那么多档案的信息。接下来我们需要考虑如何解决这个问题？
如何获取内容信息？
接下来我将介绍如何利用 Web kit 从 JS 渲染网页中获取数据。什么是
Web kit呢？Web kit 可以实现浏览器所能处理的任何事情。对于某些浏览器来
说，Web kit就是其底层的网页渲染工具。Web kit 是QT库的一部分，因此如
果你已经安装QT和PyQT4库，那么你可以直接运行之。
你可以利用命令行来安装该软件库：
sudo apt-get install python-qt4
现在所有的准备工作已经完成，接下来我们将使用一个全新的方法来提取信
息。
解决方案
我们首先通过 Web kit 发送请求信息，然后等待网页被完全加载后将其赋
值到某个变量中。接下来我们利用lxml从 HTML 数据中提取出有效的信息。这
个过程需要一点时间，不过你会惊奇地发现整个网页被完整地加载下来了。
import sysfrom PyQt4.QtGui import *from PyQt4.Qtcore import *from
PyQt4.QtWebKit import *class Render(QWebPage): def __init__(self,
url): self.app = QApplication(sys.argv) QWebPage.__init__(self)
self.loadFinished.connect(self._loadFinished)
self.mainFrame().load(QUrl(url)) self.app.exec_() def _loadFinished(self, result): self.frame =
self.mainFrame() self.app.quit()
类Render可以用来渲染网页，当我们新建一个Render类时，它可以将url
中的所有信息加载下来并存到一个新的框架中。
url = '/archive/'# This does the magic.Loads
everythingr = Render(url)# Result is a QString.result = r.frame.toHtml()
利用以上的代码我们将 HTML 结果储存到变量result中，由于lxml无法直接处理该特殊的字符串数据，因此我们需要转换数据格式。
# QString should be converted to string before processed by lxmlformatted_result = str(result.toAscii())# Next build lxml tree from formatted_resulttree = html.fromstring(formatted_result)# Now using correct Xpath we are fetching URL of archivesarchive_links = tree.xpath('//div[@class="campaign"]/a/@href')print archive_links
利用上述代码我们可以获得所有的档案链接信息，接下来我们可以利用这些Render和这些URL链接来提取文本内容信息。Web kit 提供了一个强大的网页渲染工具，我们可以利用这个工具从 JS 渲染的网页中抓取出有效的信息。
本文中我介绍了一个如何从 JS 渲染的网页中抓取信息的有效方法，这个工具虽然速度比较慢，但是却非常简单粗暴。我希望你会喜欢这篇文章。现在你可以将该方法运用到任何你觉得难以处理的网页中。
祝一切顺利。
为什么大家选择光环大数据！
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、
