Python 爬虫如何获取 JS 生成的 URL 和网页内容？
程序员文章站
2022-05-10 20:33:51
...
想尝试爬下北邮人的论坛，但是看到页面的源代码都是js，几乎没有我想要的信息。
它直接搭建了一个js运行环境，这意味着你可以直接在python里面执行页面上的js代码来获取你需要的内容。
参考：
http://www.silverna.org/blog/?p=252
https://code.google.com/p/pyv8/ 我是直接看js源码，分析完，然后爬的。
例如看页面是用Ajax请求一个JSON文件，我就先爬那个页面，获取Ajax所需的参数，然后直接请求JSON页，然后解码，再处理数据并入库。
如果你直接运行页面上所有js（就像浏览器做的那样），然后获取最终的HTML DOM树，这样的性能非常地糟糕，不建议使用这样的方法。因为Python和js性能本身都很差，如果这样做，会消耗大量CPU资源并且最终只能获得极低的抓取效率。 js代码是需要js引擎运行的，Python只能通过HTTP请求获取到HTML、CSS、JS原始代码而已。
不知道有没有用Python编写的JS引擎，估计需求不大。
我一般用PhantomJS、CasperJS这些引擎来做浏览器抓取。
直接在其中写JS代码来做DOM操控、分析，以文件方式输出结果。
让Python去调用该程序，通过读文件方式获得内容。 去年还真爬过这样的数据，因为赶时间，我的方法就比较丑陋了。
PyQt有一个具体的库来模拟浏览器请求和行为(好像是webkit，忘记了，查一下就好。使用时就几行代码就够了)，在一次运行程序中，第一次(只有第一次)的返回结果是js运行之后的代码。于是写了一个py脚本做一次访问解析，然后再写了windows脚本通过传递命令行参数循环这个py脚本，最后搞到数据。
方法dirty了些，不过数据拿到了就好～ 针对某网站的，可以自己看网络请求找到返回实际内容的那些有针对性地发。如果是通用的，得用 headless browser 了，比如 PhantomJS。 又一个爬北邮人论坛的。。
文艺的方法，上浏览器引擎，比如 PhantomJS ，用它导出 html，再对html用 python 解析。千万别直接 PhantomJS 解析，虽然我知道这很容易，为什么？那就不叫 python 爬虫了啊 因为统一使用 python 做解析更统一，这里假设你还在爬取非 JS 页面。
普通的方法，分析 AJAX 请求。即使它是 JS 渲染的，数据还是通过 HTTP 协议传输的。什么？你模拟不出来？去读一遍HTTP协议，其实还是经验，比如北邮人论坛请求正文时需要
拉勾网的职位列表
点击了Android之后 我们从浏览器上传了几个参数到拉勾的服务器
一个是 first ＝true， 一个是kd ＝ android， （关键字） 一个是pn ＝1 （page number 页码）
所以我们就可以模仿这一个步骤来构造一个数据包来模拟用户的点击动作。
首先请一定记住，浏览器环境对内存和CPU的消耗都非常严重，模拟浏览器环境的爬虫代码要尽可能避免。请记住，对于一些前端渲染的网页，虽然在HTML源码中看不到我们需要的数据，但是更大的可能是它会通过另一个请求拿到纯数据（很大可能以JSON格式存在），我们不但不需要模拟浏览器，反而可以省去解析HTML的消耗。
然后，打开北邮人论坛的首页，发现它的首页HTML源码中确实没有页面所显示文章的内容，那么，很可能这是通过JS异步加载到页面的。通过浏览器开发工具（Chrome浏览器在OS X下通过command+option+i或Win/Linux下通过F12）分析在加载首页的时候请求，容易发现，如下截图中的请求：
截图中选中的请求得到的response即是首页的文章链接，在preview选项中可以看到渲染后的预览图：
至此，我们确定这个链接可以拿到首页的文章及链接。
在headers选项中，有这次请求的请求头及请求参数，我们通过Python模拟这次请求，即可拿到相同的响应。再配合BeautifulSoup等库解析HTML，即可得到相应的内容了。
对于如何模拟请求和如何解析HTML，请移步我的专栏，有详细的介绍，这里便不再赘述。
通过这样的方式可以不用模拟浏览器环境来抓取数据，对内存和CPU消耗、抓取速度都有很大的提升。在编写爬虫的时候，请务必记得，如非必要，不要模拟浏览器环境。 如果是在windows下，可以尝试调用windows系统中的webbrowser控件。另外ie本身也提供了接口。不过这两种方式都要渲染页面，性能上多少有点浪费，为了加快速度可以把ie的图片下载显示关闭掉，然后通过click等方法来模拟真实行为。 Google Phantom JS
回复内容：
今天偶然发现了PyV8这个东西，感觉就是你想要的。它直接搭建了一个js运行环境，这意味着你可以直接在python里面执行页面上的js代码来获取你需要的内容。
参考：
http://www.silverna.org/blog/?p=252
https://code.google.com/p/pyv8/ 我是直接看js源码，分析完，然后爬的。
例如看页面是用Ajax请求一个JSON文件，我就先爬那个页面，获取Ajax所需的参数，然后直接请求JSON页，然后解码，再处理数据并入库。
如果你直接运行页面上所有js（就像浏览器做的那样），然后获取最终的HTML DOM树，这样的性能非常地糟糕，不建议使用这样的方法。因为Python和js性能本身都很差，如果这样做，会消耗大量CPU资源并且最终只能获得极低的抓取效率。 js代码是需要js引擎运行的，Python只能通过HTTP请求获取到HTML、CSS、JS原始代码而已。
不知道有没有用Python编写的JS引擎，估计需求不大。
我一般用PhantomJS、CasperJS这些引擎来做浏览器抓取。
直接在其中写JS代码来做DOM操控、分析，以文件方式输出结果。
让Python去调用该程序，通过读文件方式获得内容。 去年还真爬过这样的数据，因为赶时间，我的方法就比较丑陋了。
PyQt有一个具体的库来模拟浏览器请求和行为(好像是webkit，忘记了，查一下就好。使用时就几行代码就够了)，在一次运行程序中，第一次(只有第一次)的返回结果是js运行之后的代码。于是写了一个py脚本做一次访问解析，然后再写了windows脚本通过传递命令行参数循环这个py脚本，最后搞到数据。
方法dirty了些，不过数据拿到了就好～ 针对某网站的，可以自己看网络请求找到返回实际内容的那些有针对性地发。如果是通用的，得用 headless browser 了，比如 PhantomJS。 又一个爬北邮人论坛的。。
文艺的方法，上浏览器引擎，比如 PhantomJS ，用它导出 html，再对html用 python 解析。千万别直接 PhantomJS 解析，虽然我知道这很容易，为什么？
普通的方法，分析 AJAX 请求。即使它是 JS 渲染的，数据还是通过 HTTP 协议传输的。什么？你模拟不出来？
X-Requested-With:XMLHttpRequest
拉勾网的职位列表
点击了Android之后 我们从浏览器上传了几个参数到拉勾的服务器
一个是 first ＝true， 一个是kd ＝ android， （关键字） 一个是pn ＝1 （page number 页码）
所以我们就可以模仿这一个步骤来构造一个数据包来模拟用户的点击动作。
post_data = {'first':'true','kd':'Android','pn':'1'}
首先请一定记住，浏览器环境对内存和CPU的消耗都非常严重，模拟浏览器环境的爬虫代码要尽可能避免。请记住，对于一些前端渲染的网页，虽然在HTML源码中看不到我们需要的数据，但是更大的可能是它会通过另一个请求拿到纯数据（很大可能以JSON格式存在），我们不但不需要模拟浏览器，反而可以省去解析HTML的消耗。
然后，打开北邮人论坛的首页，发现它的首页HTML源码中确实没有页面所显示文章的内容，那么，很可能这是通过JS异步加载到页面的。通过浏览器开发工具（Chrome浏览器在OS X下通过command+option+i或Win/Linux下通过F12）分析在加载首页的时候请求，容易发现，如下截图中的请求：
截图中选中的请求得到的response即是首页的文章链接，在preview选项中可以看到渲染后的预览图：
至此，我们确定这个链接可以拿到首页的文章及链接。在headers选项中，有这次请求的请求头及请求参数，我们通过Python模拟这次请求，即可拿到相同的响应。再配合BeautifulSoup等库解析HTML，即可得到相应的内容了。
对于如何模拟请求和如何解析HTML，请移步我的专栏，有详细的介绍，这里便不再赘述。
通过这样的方式可以不用模拟浏览器环境来抓取数据，对内存和CPU消耗、抓取速度都有很大的提升。在编写爬虫的时候，请务必记得，如非必要，不要模拟浏览器环境。 如果是在windows下，可以尝试调用windows系统中的webbrowser控件。另外ie本身也提供了接口。不过这两种方式都要渲染页面，性能上多少有点浪费，为了加快速度可以把ie的图片下载显示关闭掉，然后通过click等方法来模拟真实行为。 Google Phantom JS
声明：本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn核实处理。
相关文章
相关视频
专题推荐
-
独孤九贱-php全栈开发教程
全栈 170W+
主讲：Peter-Zhu 轻松幽默、简短易学，非常适合PHP学习入门
-
玉女心经-web前端开发教程
入门 80W+
主讲：灭绝师太 由浅入深、明快简洁，非常适合前端学习入门
-
天龙八部-实战开发教程
实战 120W+
主讲：西门大官人 思路清晰、严谨规范，适合有一定web编程基础学习
上一篇： 最近涉及的一些Linux命令
下一篇： linux常用命令
网友评论
文明上网理性发言，请遵守 新闻评论服务协议
我要评论