Python selenium的js扩展实现
python写的数据采集,对一般有规律的页面用 urllib2 + BeautifulSoup + 正则就可以搞定。 但是有些页面的内容是通过js生成,或者通过js跳转的,甚至js中还加入几道混淆机制;对这种涉及页面脚本解析的内容,前面的方式便很无力。
这时我们需要能解析、运行js的引擎——浏览器,而python selenium能提供程序与浏览器的交互接口,再加上phantomjs这个可以后台运行的浏览器,即使用 selenium + phantomjs 便可以解决以上的问题。
selenium可以操作页面的元素,并且提供执行js脚本的接口。但其调用js脚本后并不能直接返回执行的结果,这样再采集内容的过程中就会受到一些限制。 比如我们想使用页面中的函数进行数据转换,或者获取iframe里的内容,这些js产生数据要传回比较麻烦。
所以我便写一个简化js数据回传的扩展 exescript.py
#!/usr/bin/env python # -*- coding:utf-8 -*- # # created by heqingpan _init_js=""" (function (){ if (window.__e) { return; } var e=document.createElement('div'); e.setAttribute("id","__s_msg"); e.style.display="none"; document.body.appendChild(e); window.__e=e; })(); window.__s_set_msg=function(a){ window.__e.setAttribute("msg",a.toString()||""); } """ _loadJsFmt=""" var script = document.createElement('script'); script.src = "{0}"; document.body.appendChild(script); """ _jquery_cdn="http://lib.sinaapp.com/js/jquery/1.7.2/jquery.min.js" _warpjsfmt="__s_set_msg({0})" class ExeJs(object): def __init__(self,driver,trytimes=10): from time import sleep self.driver=driver driver.execute_script(_init_js) while trytimes >0: try: self.msgNode=driver.find_element_by_id('__s_msg') break except Exception: sleep(1) trytimes -= 1 if self.msgNode is None: raise Exception() def exeWrap(self,jsstr): """ jsstr 执行后有返回值,返回值通过self.getMsg()获取 """ self.driver.execute_script(_warpjsfmt.format(jsstr)) def loadJs(self,path): self.execute(_loadJsFmt.format(path)) def loadJquery(self,path=_jquery_cdn): self.loadJs(path) def execute(self,jsstr): self.driver.execute_script(jsstr) def getMsg(self): return self.msgNode.get_attribute('msg')
打开ipython上一个例子,获取博客园首页文章title列表
from selenium import webdriver import exescript d=webdriver.PhantomJS("phantomjs") d.get("http://www.cnblogs.com/") exejs=exescript.ExeJs(d) exejs.exeWrap('$(".post_item").length') print exejs.getMsg() #out: """ 20 """ jsstr="""(function(){ var r=[]; $(".post_item").each(function(){ var $this=$(this); var $h3=$this.find("h3"); r.push($h3.text()); }); return r.join(',');})()""" exejs.exeWrap(jsstr) l=exejs.getMsg() for title in l.split(','): print title #out: """ mac TeamTalk开发点点滴滴之一——DDLogic框架分解上 The directfb backend was supported together with linux-fb backend in GTK+2.10 Science上发表的超赞聚类算法 功能齐全、效率一流的免费开源数据库导入导出工具(c#开发,支持SQL server、SQLite、ACCESS三种数据 库),每月借此处理数据5G以上 企业级应用框架(三)三层架构之数据访问层的改进以及测试DOM的发布 Unity3D 第一季 00 深入理解U3D开发平台 Welcome to Swift (苹果官方Swift文档初译与注解二十一)---140~147页(第三章--集合类型) appium简明教程(11)——使用resource id定位 SQL语句汇总(终篇)—— 表联接与联接查询 fopen警告处理方式 AndroidWear开发之HelloWorld篇 AMD and CMD are dead之KMD.js版本0.0.2发布 SQL语句汇总(三)——聚合函数、分组、子查询及组合查询 DevExpress GridControl功能总结 ASP.NET之Jquery入门级别 2014年前端面试经历 grunt源码解析:整体运行机制&grunt-cli源码解析 跟用户沟通,问题尽量分析清楚,以及解决问题 ASP.NET之Ajax系列(一) 算法复杂度分析 """