Python 爬取网页中JavaScript动态添加的内容（一）

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。那么，通过web kit可以简单解决这个问题。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。

1、环境准备

linux：sudo apt-get install python-qt4

windows：https://www.cnblogs.com/jimc/p/9717238.html

2、使用

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。

import sys
from pyqt4.qtwebkit import *
from pyqt4.qtgui import *
from pyqt4.qtcore import *

class render(qwebpage):  # 用来渲染网页,将url中的所有信息加载下来并存到一个新的框架中
    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()

url = 'http://jandan.net/ooxx'
r = render(url)
html = r.frame.tohtml()
print(html)

 那么，后面的工作就是解析html代码了，这里不做讲解。