本文共 5151 字，大约阅读时间需要 17 分钟。
对与要时不时要抓取页面的我们来说，是痛苦的~
由于目前的Web开发中AJAX、Javascript、CSS的大量使用，一些网站上的重要数据是由Ajax或Javascript动态生成的，并不能直接通过解析html页面内容就能获得（例如采用urllib2，mechanize、lxml、Beautiful Soup ）。要实现对这些页面数据的爬取，爬虫必须支持Javacript、DOM、HTML解析。
比如： 像监控的数据就不能用简单的curl和urllib解析到的。。。
还有这个用ajax 渲染的页面，用urllib2直接解析不了的。
常见的抓数据的方法：
urllib2+urlparse+re
最原始的办法，其中urllib2是python的web库、urlparse能处理url、re是正则库，这种方法写起来比较繁琐，但也比较“实在”
urllib2+beautifulsoup
这里的得力干将是beautifulsoup，beautifulsoup可以非常有效的解析HTML页面，就可以免去自己用re去写繁琐的正则等。
Mechanize+BeautifulSoup
Mechanize是对于urllib2的部分功能的替换，使得除了http以外其他任何连接也都能被打开，也更加动态可配置
其实像上面的页面，要是不嫌麻烦，可以从页面狂找接口，下出来的大多是xml的格式，然后你再费劲的去解析。。。是在他折腾了。
这时候大家可以用 webkit核心的web 客户端。 他会像真正的浏览器一样来解析页面的。
WebKit: Safari, Google Chrome,傲游3 360浏览器 等等都是基于 Webkit 核心开发。
我们一般是终端取值的，这些也有不少封装好的工具
，，，PhantomJS，Ghost.py 等等。。。。
我这里推荐用ghost.py 。。。。 因为他够直接和实用
发现国内webkit的资料很少，ghost.py的资料就更少了，那我就根据官方的文档，简单的翻译下 ~
一个小例子，感受下Ghost~
| 1 2 3 4 | from ghost import Ghost ghost = Ghost() page, extra_resources = ghost.open( "http://xiaorui.cc" ) assert page.http_status== 200 and 'xiaorui' in ghost.content |
安装Ghost.py 以及相关的东东～~
用webkit，我们需要有pyqt或者是PySide
这些都安装好了后，再开始
运气好的直接 pip install Ghost.py
运气不好的：
中间会遇到好多蛋疼的问题，大家多搜搜~
要是解决不了了，请回帖哈~
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | 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 |
创建一个实例对象：
| 1 2 | from ghost import Ghost ghost = Ghost() |
打开一个页面
| 1 | page, resources = ghost.open( 'http://my.web.page' ) |
夹带着 javascript代码
| 1 2 | result, resources = ghost.evaluate( "document.getElementById('my-input').getAttribute('value');" ) |
模拟点击事件
| 1 2 | page, resources = ghost.evaluate( "document.getElementById('link').click();" , expect_loading=True) |
填写表单中的字段中的值 (selector, value, blur=True, expect_loading=False):
| 1 | 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`.
你可以填写form表单 Ghost.fill(selector, values, expect_loading=False):
| 1 2 3 4 | result, resources = ghost.fill( "form" , { "username" : "jeanphix" , "password" : "mypassword" }) |
提交表单~
| 1 | page, resources = ghost.fire_on( "form" , "submit" , expect_loading=True) |
这是对于高级属性的定义：
这些有很多好用的属性
That wait until a new page is loaded.
page, resources = ghost.wait_for_page_loaded()
这个是等 页面都加载完毕，类似jquery
$(document).ready(function()
That wait until a element match the given selector.
result, resources = ghost.wait_for_selector("ul.results")
等你指定的dom名称出现
That wait until the given text exists inside the frame.
result, resources = ghost.wait_for_selector("My result")
等我们要的字符出现
官网出现了 FlASK 的例子：
可以通过ghost.py和unittest实现程序的单元测试：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 | 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 @classmethod def create_app( cls ): return app def test_open_home( self ): self .ghost. open ( "http://localhost:%s/" % self .port) self .assertEqual( self .ghost.content, 'hello world' ) if __name__ = = '__main__' : unittest.main() |
~~~整体的小demo~~~
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 | # 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，咱们来个实例哈~
咱们来个简单的 模拟浏览器 到百度去搜 xiaorui.cc 然后看看内容和headers头 ：
终端下的操作：
得到的是
咱们访问下
看 他的http头
| 1 2 | 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' } |
他的内容：
先这样吧~ 更详细的功能大家看官网吧~
本文转自 rfyiamcool 51CTO博客，原文链接：http://blog.51cto.com/rfyiamcool/1287810，如需转载请自行联系原作者