Question

我正在用Python编写一个爬虫程序。给定一个网页，我以下列方式提取Html内容：

import urllib2
response = urllib2.urlopen('http://www.example.com/')
html = response.read()

但是某些文字组件不出现在Html页面来源中，例如在this page中（重定向到索引，请访问其中一个日期并查看特定邮件）如果您查看页面源代码，您将看到邮件文本没有出现在源代码中，但似乎是由JS加载。

如何以编程方式下载此文本？

Answer 1

这里最简单的选择是向负责电子邮件搜索的URL发出POST请求并解析JSON结果（提及@recursive，因为他首先提出了这个想法）。使用requests包的示例：

import requests

data = {
    'year': '1999',
    'month': '05',
    'day': '20',
    'locale': 'en-us'
}
response = requests.post('http://jebbushemails.com/api/email.py', data=data)

results = response.json()
for email in results['emails']:
    print email['dateCentral'], email['subject']

打印：

1999-05-20T00:48:23-05:00 Re: FW: The Reason Study of Rail Transportation in Hillsborough
1999-05-20T04:07:26-05:00 Escambia County School Board
1999-05-20T06:29:23-05:00 RE: Escambia County School Board
...
1999-05-20T22:56:16-05:00 RE: School Board
1999-05-20T22:56:19-05:00 RE: Emergency Supplemental just passed 64-36
1999-05-20T22:59:32-05:00 RE:
1999-05-20T22:59:33-05:00 RE: (no subject)

这里的另一种方法是让真正的浏览器在selenium浏览器自动化框架的帮助下处理页面加载的动态javascript部分：

# -*- coding: utf-8 -*-
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC


driver = webdriver.Chrome()  # can also be, for example, webdriver.Firefox()
driver.get('http://jebbushemails.com/email/search')

# click 1999-2000
button = driver.find_element_by_xpath('//button[contains(., "1999 – 2000")]')
button.click()

# click 20
cell = driver.find_element_by_xpath('//table[@role="grid"]//span[. = "20"]')
cell.click()

# click Submit
submit = driver.find_element_by_xpath('//button[span[1]/text() = "Submit"]')
submit.click()

# wait for result to appear
WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.XPATH, "//tr[@analytics-event]")))

# get the results
for row in driver.find_elements_by_xpath('//tr[@analytics-event]'):
    date, subject = row.find_elements_by_tag_name('td')
    print date.text, subject.text

打印：

6:24:27am Fw: Support Coordination
6:26:18am Last nights meeting
6:52:16am RE: Support Coordination
7:09:54am St. Pete Times article
8:05:35am semis on the interstate
...
6:07:25pm Re: Appointment
6:18:07pm Re: Mayor Hood
8:13:05pm Re: Support Coordination

请注意，此处的浏览器也可以是无头，例如PhantomJS。并且，如果浏览器没有显示工作 - 您可以启动虚拟，请参阅此处的示例：

Answer 2

您可以向实际的ajax服务发出请求，而不是尝试使用Web界面。

例如，使用此表单数据向http://jebbushemails.com/api/email.py发布请求将产生80kb易于解析的json。

year:1999
month:05
day:20
locale:en-us

Answer 3

我不是python专家，但任何函数（如urlopen）只能获取静态HTML，而不是执行它。你需要的是某种实际解析和执行JavaScript的浏览器引擎。似乎在这里回答：

How to Parse Java-script contains[dynamic] on web-page[html] using Python?

以编程方式下载未出现在页面源中的文本

3 个答案: