python如何获取javascript动态产生的数据？

程序员文章站 2022-04-23 22:42:18

...

我现有有一个工作，需要从新浪新闻网站中获取数据，包括，标题，正文，和参与人数。

如图所示想得到 820，但是动态产生的。该新闻的url为陕西眉县发红头文件:官员卖水泥买房纳入考核

我有话说

这段代码产生的参与人数820，使用什么工具来获取？我想使用简单点的，可以完成上述工作的代码或模块？谢谢大家

回复内容：

楼上给的没错。
像这种情况一般是异步请求json或者jsonp，直接监控network就行了：
以chrome浏览器为例。
1.右键页面-审查元素-Network，切换到network面板，刷新页面。
然后浏览器和web后端的通信会被记录下来。

排除掉图片，css等。
要获取当前新闻的评论数，浏览器发送给服务器的请求里面一定会有一个和当前新闻id有关的参数，（当然理论上也有通过referer来实现id传递的，但是毕竟太奇葩，不予考虑）。
所以
1. 如果method为GET，在Name里面一定有一个特殊的字符串，用来标识要请求的是哪个新闻的评论。
2. 或者method为POST，那么在POST的参数里面会有一个能标识当前新闻的参数：

这是微信公众平台获取聊天信息的action，fromfakeid就是聊天对方的id。
如果要用POST方法获取某个新闻的评论数，在这里也会有一个参数用来标识出这个新闻。（比如“175827642839”）。

然后一个个排查，图片css均不考虑，那么很容易就能找到
http://comment5.news.sina.com.cn/page/info?format=js&channel=gn&newsid=1-1-27642839&group=0&compress=1&ie=gbk&oe=gbk&page=1&page_size=100&jsvar=requestId_19606520
可以精简为http://comment5.news.sina.com.cn/page/info?format=js&channel=gn&newsid=1-1-27642839
其中的newsid参数1-1-27642839和175827642839关系很明显了。
这是一个js，里面有一句："count": {"qreply": 706, "total": 823, "show": 95}，你要找的就在这里。
可以直接从字符串里面截取到total，或者去掉js头部的“var data =”。得到一个json字符串，解析成对象也能获取total 。
在新闻页面的源码里面找“1-1-27642839” 可以找到“newsid:'1-1-27642839',”

分析过程基本结束。
然后，你可以：
1.分析新闻页代码，得到newsid
2.请求http://comment5.news.sina.com.cn/page/info?format=js&newsid=“newsid”
3.解析获取到的js

import selenium
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException
from selenium.webdriver.common.keys import Keys
import time

browser = webdriver.Firefox() # Get local session of firefox
browser.get("http://news.sina.com.cn/c/2013-07-11/175827642839.shtml ") # Load page
time.sleep(5) # Let the page load
try:
    element = browser.find_element_by_xpath("//span[contains(@class,'f_red')]") # get element on page
    print element.text # get element text
except NoSuchElementException:
    assert 0, "can't find f_red"
browser.close()

>>> from selenium import webdriver
>>> c = webdriver.Chrome()
>>> c.get('http://news.sina.com.cn/c/2013-07-11/175827642839.shtml')
>>> comment = c.find_element_by_id('media_comment')
>>> count = comment.find_element_by_class_name('f_red')
>>> count.text
u'823'

我曾今使用python类库webkitgtk来解析网页，抽取html结构，获取数据，不过webkitgtk安装和使用过程略蛋疼，而且需要安装特定的版本，才可以操作获取数据。您好，我看了您的硕士毕业论文，我也对这个论文推荐这个主题很感兴趣，但是我没能看懂您在LDA基础上改进的TV-IDF这个算法，利用4-2公式算不出您在4-3表中的TV-IPF的值，您能解释或者把具体的计算过程给我看一下吗？谢谢使用 ghost.py 模块，模拟浏览器打开网页，获取的网页就是动态生成的。