ajax抓取网页内容(Python网络爬虫内容提取器)

　　ajax抓取网页内容(Python网络爬虫内容提取器)

　　1、简介

　　在Python网络爬虫内容提取器一文中，我们详细讲解了核心组件：可插拔内容提取器类gsExtractor。本文记录了在确定gsExtractor技术路线过程中所做的编程实验。这是第二部分。第一部分是使用xslt一次性提取静态网页内容并转换成xml格式的实验。这就留下了一个问题：如何提取javascript管理的动态内容？那么这篇文章就回答了这个问题。

　　2、提取动态内容的技术组件

　　上一篇Python使用xslt提取网页数据，提取的内容直接从网页源码中获取。但是有些Ajax动态内容在源码中是找不到的，所以需要找一个合适的库来加载异步或者动态加载的内容，交给本项目的提取器进行提取。

　　Python可以使用selenium来执行javascript，selenium可以让浏览器自动加载页面，获取需要的数据。Selenium本身没有浏览器，可以使用Firefox、Chrome等第三方浏览器，也可以使用PhantomJS等无头浏览器在后台执行。

　　3、源码和实验过程

　　如果我们要抓取京东手机页面的手机名称和价格（网页源码中没有找到价格），如下图：

　　第一步：利用直观的采集搜索客户标记功能，可以很快自动生成调试好的抓包规则，其实就是一个标准的xslt程序，如下图，将生成的xslt程序复制到下面即可在程序中。注：本文仅记录实验过程。在实际系统中，xslt 程序会以多种方式注入到内容提取器中。

　　第二步：执行如下代码（windows10下测试，python3.2，源码下载地址可在文章末尾的GitHub上找到），请注意：xslt是比较长的字符串，如果删除这个字符串，代码不是几行，足以展示Python的强大

　　#/usr/bin/python

　　从 urllib 导入请求

　　从 lxml 导入 etree

　　从硒导入网络驱动程序

　　导入时间

　　#京东移动产品页面