上一篇文章爬取動態(tài)網(wǎng)頁python+selenium+webdriver介紹了爬取動態(tài)網(wǎng)站的一種模擬瀏覽器的方法，該方法的優(yōu)劣也很明顯

優(yōu)：

可以模擬任何人的操作，輸入賬號密碼，點擊登錄等等操作

劣：

1.每次執(zhí)行都要打開桌面上的Chrome瀏覽器(自動化測試需要)

2.瀏覽器的各個操作步驟都需要sleep幾秒進行等待，效率低

本文針對兩個劣點的進行解決

PhantomJS

webdriver有很多種類的瀏覽器比如Internet Explorer、Chrome和 Firefox等，PhantomJS是一個無界面的瀏覽器，可以解決第一個問題。

渲染的問題

一個含有 JS 渲染的網(wǎng)頁。想要抓取網(wǎng)頁中所有信息。如果我們利用 HTTP 方法無法獲得任何信息。

import requests

from lxml import html

# storing response

response = requests.get('http://pycoders.com/archive')

# creating lxml tree from response body

tree = html.fromstring(response.text)

# Finding all anchor tags in response

print tree.xpath('//div[@class="campaign"]/a/@href')

因為這是動態(tài)渲染的網(wǎng)站，我們只能拿到一堆還沒被解析為html的js代碼。

Web kit

什么是 Web kit呢？

Web kit 可以實現(xiàn)瀏覽器所能處理的任何事情。對于某些瀏覽器來說，Web kit就是其底層的網(wǎng)頁渲染工具。

Web kit 是 QT 庫的一部分，因此需要安裝 QT 和PyQT4 庫來使用Web kit

sudo apt-get install python-qt4

注意：

上篇文章中使用selenium+webdriver其實也是通過瀏覽器來進行渲染那些js，原理相同

解析數(shù)據(jù)

思路：我們首先通過 Web kit 發(fā)送請求信息，然后等待網(wǎng)頁被完全加載后將其賦值到某個變量中。接下來我們利用 lxml 從 HTML 數(shù)據(jù)中提取出有效的信息。

1.類 Render 可以用來渲染網(wǎng)頁，當我們新建一個 Render 類時，它可以將 url 中的所有信息加載下來并存到一個新的框架中。

import sys

from 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()

2.利用以上的代碼我們將 HTML 結(jié)果儲存到變量 result 中

url = 'http://pycoders.com/archive/'

# This does the magic.Loads everything

r = Render(url)

# Result is a QString.

result = r.frame.toHtml()

3.轉(zhuǎn)換數(shù)據(jù)格式并解析

# QString should be converted to string before processed by lxml

formatted_result = str(result.toAscii())

# Next build lxml tree from formatted_result

tree = html.fromstring(formatted_result)

# Now using correct Xpath we are fetching URL of archives

archive_links = tree.xpath('//div[@class="campaign"]/a/@href')

print archive_links

總結(jié)

1.動態(tài)網(wǎng)站爬取核心步驟是渲染js

2.python+selenium+webdriver方式是模擬出真實環(huán)境解決的，既可以解決渲染，又可以附帶很多人的操作(輸入、點擊、最大化等)，功能強大但是純采集的話效率略低

3.python+Web kit方式直接把渲染的核心部件拿出來進行解決，這種方式簡單直接，作為純采集來說是首選，但是受限于需要登錄驗證的網(wǎng)站

總結(jié)

以上是生活随笔為你收集整理的python动态页面元素爬取_爬取动态网页python+Web kit的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。