用python抓取javascript生成的html

Posted 2023-02-21

【中文标题】用python抓取javascript生成的html

【英文标题】：scrape html generated by javascript with python

【发布时间】：2011-01-10 01:08:42

【问题描述】：

我需要用 python 抓取一个网站。我使用 urllib 模块获取了源 html 代码，但我还需要抓取一些由 javascript 函数（包含在 html 源代码中）生成的 html 代码。这个函数在站点“中”的作用是，当您按下按钮时，它会输出一些 html 代码。如何用 python 代码“按下”这个按钮？刮痧能帮到我吗？我用 firebug 捕获了 POST 请求，但是当我尝试在 url 上传递它时，我收到 403 错误。有什么建议吗？

【问题讨论】：

我在Click on a javascript link within python?回答了一个类似的问题

这能回答你的问题吗？ Web-scraping JavaScript page with Python

【参考方案1】：

由于这里没有全面的答案，我先写一个。

要刮掉 JS 渲染的页面，我们需要一个具有 JavaScript 引擎的浏览器（即支持 JavaScript 渲染）

Mechanize、url2lib 等选项将不起作用，因为它们不支持 JavaScript。

所以这就是你要做的：

将PhantomJS 设置为与Selenium 一起运行。在为它们安装了依赖项之后（参考this），您可以使用以下代码作为示例来获取完全呈现的网站。

from selenium import webdriver

driver = webdriver.PhantomJS()
driver.get('http://jokes.cc.com/')
soupFromJokesCC = BeautifulSoup(driver.page_source) #page_source fetches page after rendering is complete
driver.save_screenshot('screen.png') # save a screenshot to disk

driver.quit()

【参考方案2】：

对于Scrapy（伟大的python抓取框架）有scrapyjs：一个额外的下载器处理程序/中间件处理程序能够抓取javascript生成的内容。

它基于pygtk、python-webkit和python-jswebkit的webkit引擎，非常简单。

【参考方案3】：

我使用 webkit，它是 Chrome 和 Safari 背后的浏览器渲染器。有Python bindings to webkit through Qt。这是完整的example to execute JavaScript and extract the final HTML。

【参考方案4】：

在 Python 中，我认为 Selenium 1.0 是要走的路。它是一个库，可让您从您选择的语言控制真正的网络浏览器。

您需要在运行脚本的机器上安装有问题的网络浏览器，但这似乎是以编程方式询问使用大量 JavaScript 的网站的最可靠方法。

【讨论】：

有没有办法通过请求和美丽的汤本身来做到这一点？我一直在使用请求，除此之外，它在其他所有情况下都可以正常工作。请让我知道 requests 是否也可以解决这个问题。

@Shaardool：解决什么问题？抓取由 JavaScript 在浏览器中生成的 HTML？不——因为你需要运行 JavaScript 的东西才能生成 HTML。 Beautiful Soup 不运行 JavaScript。

感谢您的见解，请求库可以做到吗？它适用于对服务器的 AJAX 请求，但我想知道它是否也适用于创建 HTML 的 javascript。不过，我在他们的文档中没有找到任何这样的东西。

@Shaardool 我不熟悉 Requests 库。通过专门针对该库提出一个新问题，您可能会更快地得到答案。

【参考方案5】：

我以前必须这样做（在 .NET 中），您基本上必须托管一个浏览器，让它点击按钮，然后询问浏览器的 DOM（文档对象模型）以获取生成的 HTML。

这绝对是 Web 应用程序转向 Ajax/Javascript 方法来生成 HTML 客户端的缺点之一。