對與要時不時要抓取頁面的我們來說，是痛苦的~

由于目前的Web開發中AJAX、Javascript、CSS的大量使用，一些網站上的重要數據是由Ajax或Javascript動態生成的，并不能直接通過解析html頁面內容就能獲得（例如采用urllib2，mechanize、lxml、Beautiful Soup ）。要實現對這些頁面數據的爬取，爬蟲必須支持Javacript、DOM、HTML解析。

比如： 像監控的數據就不能用簡單的curl和urllib解析到的。。。 ?

還有這個用ajax 渲染的頁面，用urllib2直接解析不了的。

http://rfyiamcool.blog.51cto.com/blog/1030776/1287810

常見的抓數據的方法：

urllib2+urlparse+re

最原始的辦法，其中urllib2是python的web庫、urlparse能處理url、re是正則庫，這種方法寫起來比較繁瑣，但也比較“實在”

urllib2+beautifulsoup

這里的得力干將是beautifulsoup，beautifulsoup可以非常有效的解析HTML頁面，就可以免去自己用re去寫繁瑣的正則等。

Mechanize+BeautifulSoup

Mechanize是對于urllib2的部分功能的替換，使得除了http以外其他任何連接也都能被打開，也更加動態可配置

http://rfyiamcool.blog.51cto.com/blog/1030776/1287810

其實像上面的頁面，要是不嫌麻煩，可以從頁面狂找接口，下出來的大多是xml的格式，然后你再費勁的去解析。。。是在他折騰了。

這時候大家可以用 webkit核心的web 客戶端。 ?他會像真正的瀏覽器一樣來解析頁面的。

WebKit: Safari, Google Chrome,傲游3 360瀏覽器 等等都是基于 Webkit 核心開發。

我們一般是終端取值的，這些也有不少封裝好的工具

Pyv8，PythonWebKit，Selenium，PhantomJS，Ghost.py ?等等。。。。

我這里推薦用ghost.py 。。。。 因為他夠直接和實用

發現國內webkit的資料很少，ghost.py的資料就更少了，那我就根據官方的文檔，簡單的翻譯下 ~

http://rfyiamcool.blog.51cto.com/blog/1030776/1287810

一個小例子，感受下Ghost~

from ghost import Ghost ghost = Ghost() page, extra_resources = ghost.open("http://xiaorui.cc") assert page.http_status==200 and 'xiaorui' in ghost.content

安裝Ghost.py　以及相關的東東～~

用webkit，我們需要有pyqt或者是PySide

這些都安裝好了后，再開始 ?

運氣好的直接 pip install Ghost.py

運氣不好的：

中間會遇到好多蛋疼的問題，大家多搜搜~

要是解決不了了，請回帖哈~

wget http://sourceforge.net/projects/pyqt/files/sip/sip-4.14.6/sip-4.14.6.tar.gz tar zxvf sip-4.14.6.tar.gz cd sip-4.14.6 python configure.py make sudo make install wget http://sourceforge.net/projects/pyqt/files/PyQt4/PyQt-4.10.1/PyQt-mac-gpl-4.10.1.tar.gz tar zxvf PyQt-mac-gpl-4.10.1.tar.gz cd PyQt-mac-gpl-4.10.1 python configure.py make sudo make install wget http://pyside.markus-ullmann.de/pyside-1.1.1-qt48-py27apple.pkg open pyside-1.1.1-qt48-py27apple.pkg git clone https://github.com/mitsuhiko/flask.git cd flask sudo python setup.py install git clone git://github.com/carrerasrodrigo/Ghost.py.git cd Ghost.py sudo python setup.py install

創建一個實例對象：

from ghost import Ghost ghost = Ghost()

打開一個頁面

page, resources = ghost.open('http://my.web.page')

夾帶著 javascript代碼

result, resources = ghost.evaluate("document.getElementById('my-input').getAttribute('value');")

模擬點擊事件

page, resources = ghost.evaluate("document.getElementById('link').click();", expect_loading=True)

填寫表單中的字段中的值 (selector, value, blur=True, expect_loading=False):

result, resources = ghost.set_field_value("input[name=username]", "jeanphix")

If you set optional parameter `blur` to False, the focus will be left on the field (usefull for autocomplete tests).

For filling file input field, simply pass file path as `value`.

你可以填寫form表單 ? ? Ghost.fill(selector, values, expect_loading=False):

result, resources = ghost.fill("form", {"username": "jeanphix","password": "mypassword" })

提交表單~

page, resources = ghost.fire_on("form", "submit", expect_loading=True)

這是對于高級屬性的定義：

這些有很多好用的屬性

wait_for_page_loaded()

That wait until a new page is loaded.

page, resources = ghost.wait_for_page_loaded()

這個是等 頁面都加載完畢，類似jquery

$(document).ready(function()

wait_for_selector(selector)

That wait until a element match the given selector.

result, resources = ghost.wait_for_selector("ul.results")

等你指定的dom名稱出現

wait_for_text(text)

That wait until the given text exists inside the frame.

result, resources = ghost.wait_for_selector("My result")

等我們要的字符出現

官網出現了 FlASK 的例子：

可以通過ghost.py和unittest實現程序的單元測試：

import unittest from flask import Flask from ghost import GhostTestCase app = Flask(__name__) @app.route('/') def home():return 'hello world' class MyTest(GhostTestCase):port = 5000@classmethoddef create_app(cls):return appdef test_open_home(self):self.ghost.open("http://localhost:%s/" % self.port)self.assertEqual(self.ghost.content, 'hello world') if __name__ == '__main__':unittest.main()

~~~整體的小demo~~~

# Opens the web page ghost.open('http://www.openstreetmap.org/') # Waits for form search field ghost.wait_for_selector('input[name=query]') # Fills the form ghost.fill("#search_form", {'query': 'France'}) # Submits the form ghost.fire_on("#search_form", "submit") # Waits for results (an XHR has been called here) ghost.wait_for_selector('#search_osm_nominatim .search_results_entry a') # Clicks first result link ghost.click('#search_osm_nominatim .search_results_entry:first-child a') # Checks if map has moved to expected latitude lat, resources = ghost.evaluate("map.center.lat") assert float(lat.toString()) == 5860090.806537

aha，咱們來個實例哈~ ? ?

咱們來個簡單的 模擬瀏覽器 到百度去搜 xiaorui.cc ? 然后看看內容和headers頭 ：

終端下的操作：

得到的是

http://www.baidu.com/s?wd=xiaorui.cc&rsv_bp=0&ch=&tn=baidu&bar=&rsv_spt=3&ie=utf-8

咱們訪問下

看 他的http頭

In [10]: print page.headers {u'BDQID': u'0xf594a31a03344b4f', u'Content-Encoding': u'gzip', u'Set-Cookie': u'BDSVRTM=381; path=/\nH_PS_PSSID=2976_2981_3091; path=/; domain=.baidu.com', u'BDUSERID': u'0', u'Server': u'BWS/1.0', u'Connection': u'Keep-Alive', u'Cache-Control': u'private', u'Date': u'Tue, 03 Sep 2013 09:53:56 GMT', u'Content-Type': u'text/html;charset=utf-8', u'BDPAGETYPE': u'3'}

他的內容：

先這樣吧~ ?更詳細的功能大家看官網吧~

轉載于:https://blog.51cto.com/rfyiamcool/1287810

總結

以上是生活随笔為你收集整理的爬虫采集-基于webkit核心的客户端Ghost.py [爬虫实例]的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。