1、引言

在Python網(wǎng)絡(luò)爬蟲(chóng)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(lèi)gsExtractor。本文記錄了確定gsExtractor的技術(shù)路線過(guò)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(yè)內(nèi)容并轉(zhuǎn)換成xml格式。留下了一個(gè)問(wèn)題：javascript管理的動(dòng)態(tài)內(nèi)容怎樣提取？那么本文就回答這個(gè)問(wèn)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(yè)數(shù)據(jù)中，要提取的內(nèi)容是直接從網(wǎng)頁(yè)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(kù)把異步或動(dòng)態(tài)加載的內(nèi)容加載上來(lái)，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(yè)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(guò)程

假如我們要抓取京東手機(jī)頁(yè)面的手機(jī)名稱(chēng)和價(jià)格(價(jià)格在網(wǎng)頁(yè)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(guò)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(guò)，源代碼下載地址請(qǐng)見(jiàn)文章末尾GitHub)，請(qǐng)注意：xslt是一個(gè)比較長(zhǎng)的字符串，如果刪除這個(gè)字符串，代碼沒(méi)有幾行，足以見(jiàn)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(yè)面 
url = "http://item.jd.com/1312640.html" 
 
# 下面的xslt是通過(guò)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(chēng)> 
<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(chēng)> 
</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(yè)中的手機(jī)名稱(chēng)和價(jià)格被正確抓取下來(lái)了

4、接下來(lái)閱讀

至此，我們通過(guò)兩篇文章演示怎樣抓取靜態(tài)和動(dòng)態(tài)網(wǎng)頁(yè)內(nèi)容，都采用了xslt一次性將需要的內(nèi)容從網(wǎng)頁(yè)上提取出來(lái)，其實(shí)xslt是一個(gè)比較復(fù)雜的程序語(yǔ)言，如果手工編寫(xiě)xslt，那么還不如寫(xiě)成離散的xpath。如果這個(gè)xslt不是手工寫(xiě)出來(lái)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(xiě)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(yè)內(nèi)容提取的xslt》將講述怎樣生成xslt。

5、集搜客GooSeeker開(kāi)源代碼下載源

1. GooSeeker開(kāi)源Python網(wǎng)絡(luò)爬蟲(chóng)GitHub源

6、文檔修改歷史

2016-05-26：V2.0，增補(bǔ)文字說(shuō)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

最新評(píng)論