Question

我想用Python来填写网页上的“你在找这些作者：”框的内容，如下所示：http://academic.research.microsoft.com/Search?query=lander

不幸的是，该框的内容是由JavaScript动态加载的。通常在这种情况下，我可以阅读Javascript来弄清楚发生了什么，或者我可以使用像Firebug这样的浏览器扩展来确定动态内容的来源。这次没有这样的运气...... Javascript非常复杂，Firebug没有提供很多关于如何获取内容的线索。

是否有任何技巧可以轻松完成此任务？

Answer 1

您可以使用ghost.py直接与页面上的JavaScript进行交互，而不是尝试对其进行反向工程。

如果您在Chrome控制台中运行以下查询，您将看到它返回您想要的所有内容。

document.getElementsByClassName('inline-text-org');

返回

[<div class="inline-text-org" title="University of Manchester">University of Manchester</div>, 
 <div class="inline-text-org" title="University of California Irvine">University of California ...</div>
  etc...

您可以使用ghost.py在现实生活中的DOM中通过python运行JavaScript。

这真的很酷：

from ghost import Ghost
ghost = Ghost()
page, resources = ghost.open('http://academic.research.microsoft.com/Search?query=lander')
result, resources = ghost.evaluate(
    "document.getElementsByClassName('inline-text-org');")

Answer 2

早些时候提出了一个非常类似的问题here。引用的是selenium，最初是web-apps的测试环境。

我通常使用Chrome的开发者模式，恕我直言已经提供了比Firefox更多的详细信息。

Answer 3

对于抓取动态内容，您不需要一个简单的刮刀，而是一个完整的headless browser。

dhamaniasad/HeadlessBrowsers: A list of (almost) all headless web browsers in existence是我见过的最完整的列表;它列出了每种语言都绑定的语言。

（请注意，超过一些列出的项目已被放弃！）

web使用python抓取动态内容

3 个答案: