——利用Phantomjs和PySpider就可以抓取通過JavaScript渲染的網頁啦
先來解釋一下框架中的程式碼結構:
定義一個Handler類,它繼承於父類BaseHandler,裡面包含三個函式:on_start()進入目標網站,返回索引頁html程式碼並傳給index_page();index_page()對索引頁html程式碼進行解析,返回解析結果並傳給detail_page();detail_page()對詳情頁進行解析便返回詳細資訊。
1 from pyspider.libs.base_handler import * 2 3 class Handler(BaseHandler): 4 crawl_config = { 5 } 6 7 @every(minutes=24*60) # 表示on_start()每24h執行一次,就能抓取到最新網頁 8 def on_start(self): 9 # __start_url__為要爬取的目標網址,callback指定解析response的方法,即呼叫index_page()函式 10 self.crawl('__start_url__', callback=self.index_page) 11 12 @config(age=10*24*60*60) # 表示on_start()爬取的頁面十天內有效,不會再次進行爬取 13 def index_page(self, response): 14 # 內建封裝了PyQuery對response進行解析 15 for each in response.doc('a[href^="http"]').items(): 16 self.crawl(each.attr.href, callback=self.detail_page) 17 18 19 def detail_page(self, response): 20 return{ 21 'url': response.url, 22 'title': response.doc('title').text() 23 }
注意:
當@every和age同時被設定時,請求會每天被觸發一次,但是在有效週期(age)內,請求會被丟棄,只有過期才能重新啟動。