爬虫技术:(JavaScript渲染)动态页面抓取超级指南

当我们进行网页爬虫时，我们会利用一定的规则从返回的 HTML 数据中提取出有效的信息。但是如果网页中含有 JavaScript 代码，我们必须经过渲染处理才能获得原始数据。此时，如果我们仍采用常规方法从中抓取数据，那么我们将一无所获。浏览器知道如何处理这些代码并将其展现出来，但是我们的程序该如何处理这些代码呢？接下来，我将介绍一个简单粗暴的方法来抓取含有 JavaScript 代码的网页信息。

大多数人利用lxml和BeautifulSoup这两个包来提取数据。本文中我将不会介绍任何爬虫框架的内容，因为我只利用最基础的lxml包来处理数据。也许你们会好奇为啥我更喜欢lxml。那是因为lxml利用元素遍历法来处理数据而不是像BeautifulSoup一样利用正则表达式来提取数据。本文中我将介绍一个非常有趣的案例——之前我突然发现我的文章出现在最近的 Pycoders weekly issue 147中，因此我想爬取 Pycoders weekly 中所有档案的链接。

很明显，这是一个含有 JavaScript 渲染的网页。我想要抓取网页中所有的档案信息和相应的链接信息。那么我该怎么处理呢？首先，我们利用 HTTP 方法无法获得任何信息。

importrequests
fromlxmlimporthtml
#storingresponsere
sponse=requests.get('http://pycoders.com/archive')
#creatinglxmltreefromresponsebody
tree=html.fromstring(response.text)
#Findingallanchortagsinresponse
printtree.xpath('//div[@class="campaign"]/a/@href')

当我们运行上述代码时，我们无法获得任何信息。这怎么可能呢？网页中明明显示那么多档案的信息。接下来我们需要考虑如何解决这个问题？

如何获取内容信息？

接下来我将介绍如何利用 Web kit 从 JS 渲染网页中获取数据。什么是 Web kit呢？Web kit 可以实现浏览器所能处理的任何事情。对于某些浏览器来说，Web kit就是其底层的网页渲染工具。Web kit 是 QT 库的一部分，因此如果你已经安装 QT 和 PyQT4 库，那么你可以直接运行之。

你可以利用命令行来安装该软件库：

sudoapt-getinstallpython-qt4

现在所有的准备工作已经完成，接下来我们将使用一个全新的方法来提取信息。

解决方案

我们首先通过 Web kit 发送请求信息，然后等待网页被完全加载后将其赋值到某个变量中。接下来我们利用 lxml 从 HTML 数据中提取出有效的信息。这个过程需要一点时间，不过你会惊奇地发现整个网页被完整地加载下来了。

importsys
fromPyQt4.QtGuiimport*
fromPyQt4.Qtcoreimport*
fromPyQt4.QtWebKitimport*

classRender(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

类Render可以用来渲染网页，当我们新建一个Render类时，它可以将url中的所有信息加载下来并存到一个新的框架中。

url='http://pycoders.com/archive/'
#Thisdoesthemagic.Loadseverything
r=Render(url)
#ResultisaQString.
result=r.frame.toHtml

利用以上的代码我们将 HTML 结果储存到变量result中，由于lxml无法直接处理该特殊的字符串数据，因此我们需要转换数据格式。

#QStringshouldbeconvertedtostringbeforeprocessedbylxml
formatted_result=str(result.toAscii)
#Nextbuildlxmltreefromformatted_result
tree=html.fromstring(formatted_result)
#NowusingcorrectXpathwearefetchingURLofarchives
archive_links=tree.xpath('//div[@class="campaign"]/a/@href')
printarchive_links

利用上述代码我们可以获得所有的档案链接信息，接下来我们可以利用这些 Render和这些URL链接来提取文本内容信息。Web kit 提供了一个强大的网页渲染工具，我们可以利用这个工具从 JS 渲染的网页中抓取出有效的信息。

本文中我介绍了一个如何从 JS 渲染的网页中抓取信息的有效方法，这个工具虽然速度比较慢，但是却非常简单粗暴。我希望你会喜欢这篇文章。现在你可以将该方法运用到任何你觉得难以处理的网页中。

祝一切顺利。

原文链接：https://impythonist.wordpress.com/2015/01/06/ultimate-guide-for-scraping-javascript-rendered-web-pages/

原文作者：Naren Aryan

译者：fibears