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。
http://rfyiamcool.blog.51cto.com/blog/1030776/1287810
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
http://rfyiamcool.blog.51cto.com/blog/1030776/1287810
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
Pyv8,PythonWebKit,Selenium,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 ~
http://rfyiamcool.blog.51cto.com/blog/1030776/1287810
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
wait_for_page_loaded()
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()
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名称出现
wait_for_text(text)
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
http://www.baidu.com/s?wd=xiaorui.cc&rsv_bp=0&ch=&tn=baidu&bar=&rsv_spt=3&ie=utf-8
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