集搜客网页抓取软件(Python网络爬虫内容提取器)

　　集搜客网页抓取软件(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代码中获取。但是，在源代码中找不到某些 Ajax 动态内容。找一个合适的库来加载异步或动态加载的内容，交给本项目的提取器提取即可。

　　Python 可以使用 selenium 来执行 javascript，而 selenium 可以让浏览器自动加载页面并获取所需的数据。 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：利用采集客户和统计站的直观标注功能，极快地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，复制生成的xslt程序转到下面的程序。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2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是一个比较长的字符串，如果把这个字符串删掉，也没有几行代码，足以展示Python的威力

#/usr/bin/python

from urllib import request

from lxml import etree

from selenium import webdriver

import time

# 京东手机商品页面

url = "http://item.jd.com/1312640.html"

# 下面的xslt是通过集搜客的谋数台图形界面自动生成的

xslt_root = etree.XML("""\

""")

# 使用webdriver.PhantomJS

browser = webdriver.PhantomJS(executable_path='C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')

browser.get(url)

time.sleep(3)

transform = etree.XSLT(xslt_root)

# 执行js得到整个dom

html = browser.execute_script("return document.documentElement.outerHTML")

doc = etree.HTML(html)

# 用xslt从dom中提取需要的字段

result_tree = transform(doc)

print(result_tree)

　　第三步：如下图所示，网页上的手机名称和价格已经被正确抓取

　　4、阅读下一个

　　到目前为止，我们已经通过两篇文章 文章演示了如何抓取静态和动态网页内容。两者都使用 xslt 一次从网页中提取所需的内容。实际上，xslt 是一种相对复杂的编程语言。如果您手动编写 xslt，您不妨将其编写为离散 xpath。如果这个xslt不是手工写的，而是由程序自动生成的，这就有意义了，程序员不再需要花时间编写和调试捕获规则，这是一项非常耗时费力的工作。下一篇《1分钟快速生成用于网页内容提取的Xslt》将介绍如何生成xslt。

　　5、Jisouke GooSeeker 开源代码下载源码

　　1. GooSeeker 开源 Python 网络爬虫 GitHub 源码

　　6、文档修改历史

　　2016-05-26：V2.0，添加文字说明

　　2016-05-29：V2.1，增加第五章：源码下载源码，修改github源码地址