1，引言
在Python網絡爬蟲內容提取器一文我們詳細講解了核心部件：可插拔的內容提取器類gsExtractor。本文記錄了確定gsExtractor的技術路線過程中所做的編程實驗。這是第二部分，第一部分實驗了用xslt方式一次性提取靜態網頁內容並轉換成xml格式。留下了一個問題：javascript管理的動態內容怎樣提取？那么本文就回答這個問題。
2，提取動態內容的技術部件
在上一篇python使用xslt提取網頁數據中，要提取的內容是直接從網頁的source code里拿到的。但是一些Ajax動態內容是在source code找不到的，就要找合適的程序庫把異步或動態加載的內容加載上來，交給本項目的提取器進行提取。
python可以使用selenium執行javascript，selenium可以讓瀏覽器自動加載頁面，獲取需要的數據。selenium自己不帶瀏覽器，可以使用第三方瀏覽器如Firefox，Chrome等，也可以使用headless瀏覽器如PhantomJS在后台執行。
3，源代碼和實驗過程
假如我們要抓取京東手機頁面的手機名稱和價格(價格在網頁源碼是找不到的)，如下圖：
第一步：利用集搜客謀數台的直觀標注功能，可以極快速度自動生成一個調試好的抓取規則，其實是一個標准的xslt程序，如下圖，把生成的xslt程序拷貝到下面的程序中即可。注意：本文只是記錄實驗過程，實際系統中，將采用多種方式把xslt程序注入到內容提取器重。
第二步：執行如下代碼(在windows10， python3.2下測試通過，源代碼下載地址請見文章末尾GitHub)，請注意：xslt是一個比較長的字符串，如果刪除這個字符串，代碼沒有幾行，足以見得Python之強大
#/usr/bin/python
from urllib import request from lxml import etree from selenium import webdriver import time # 京東手機商品頁面
url="http://item.jd.com/1312640.html"
# 下面的xslt是通過集搜客的謀數台圖形界面自動生成的
xslt_root = etree.XML("""\ <xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" > <xsl:template match="/"> <商品> <xsl:apply-templates select="//*[@id='itemInfo' and count(.//*[@id='summary-price']/div[position()=2]/strong/text())>0 and count(.//*[@id='name']/h1/text())>0]" mode="商品"/> </商品> </xsl:template> <xsl:template match="//*[@id='itemInfo' and count(.//*[@id='summary-price']/div[position()=2]/strong/text())>0 and count(.//*[@id='name']/h1/text())>0]" mode="商品"> <item> <價格> <xsl:value-of select="*//*[@id='summary-price']/div[position()=2]/strong/text()"/> <xsl:value-of select="*[@id='summary-price']/div[position()=2]/strong/text()"/> <xsl:if test="@id='summary-price'"> <xsl:value-of select="div[position()=2]/strong/text()"/> </xsl:if> </價格> <名稱> <xsl:value-of select="*//*[@id='name']/h1/text()"/> <xsl:value-of select="*[@id='name']/h1/text()"/> <xsl:if test="@id='name'"> <xsl:value-of select="h1/text()"/> </xsl:if> </名稱> </item> </xsl:template> </xsl:stylesheet>""") # 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) # 執行js得到整個dom
html = browser.execute_script("return document.documentElement.outerHTML") doc = etree.HTML(html) # 用xslt從dom中提取需要的字段
result_tree = transform(doc) print(result_tree)
第三步：可以看到，網頁中的手機名稱和價格被正確抓取下來了
4，接下來閱讀
至此，我們通過兩篇文章演示怎樣抓取靜態和動態網頁內容，都采用了xslt一次性將需要的內容從網頁上提取出來，其實xslt是一個比較復雜的程序語言，如果手工編寫xslt，那么還不如寫成離散的xpath。如果這個xslt不是手工寫出來的，而是程序自動生成的，這就有意義了，程序員再也不要花時間編寫和調測抓取規則了，這是很費時費力的工作。下一篇《1分鍾快速生成用於網頁內容提取的xslt》將講述怎樣生成xslt。
5，集搜客GooSeeker開源代碼下載源
1. GooSeeker開源Python網絡爬蟲GitHub源
6，文檔修改歷史
2016-05-26：V2.0，增補文字說明
2016-05-29：V2.1，增加第五章：源代碼下載源，並更換github源的網址