Python 爬取網頁中JavaScript動態新增的內容（一）

寒爵發表於2018-09-28
Python網頁JavaScript

當我們進行網頁爬蟲時，我們會利用一定的規則從返回的 HTML 資料中提取出有效的資訊。但是如果網頁中含有 JavaScript 程式碼，我們必須經過渲染處理才能獲得原始資料。此時，如果我們仍採用常規方法從中抓取資料，那麼我們將一無所獲。那麼，通過Web kit可以簡單解決這個問題。Web kit 可以實現瀏覽器所能處理的任何事情。對於某些瀏覽器來說，Web kit就是其底層的網頁渲染工具。Web kit是QT庫的一部分，因此如果你已經安裝QT和PyQT4庫，那麼你可以直接執行之。

1、環境準備

Linux：sudo apt-get install python-qt4

Windows：https://www.cnblogs.com/Jimc/p/9717238.html

2、使用

首先通過 Web kit 傳送請求資訊，然後等待網頁被完全載入後將其賦值到某個變數中。接下來我們利用lxml從 HTML 資料中提取出有效的資訊。這個過程需要一點時間。

import sys
from PyQt4.QtWebKit import *
from PyQt4.QtGui import *
from PyQt4.QtCore import *

class Render(QWebPage):  # 用來渲染網頁,將url中的所有資訊載入下來並存到一個新的框架中
    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)

 那麼，後面的工作就是解析HTML程式碼了，這裡不做講解。

相關文章