V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
zmxnv123
V2EX  ›  程序员

爬虫提取这种 html 有什么好的方法啊

  •  
  •   zmxnv123 · 2019-02-06 18:02:17 +08:00 · 3003 次点击
    这是一个创建于 1877 天前的主题,其中的信息可能已经有所发展或是发生改变。

    最近在写微博的爬虫,本来是想用 scrapy 的 xpath 提取内容,在 chrome 的 console 中试了下还正常,然而在代码中 xpath 却什么也提取不出来。

    最终忽然发现 chrome 中的 elements 里面的内容和网页源码是不一样的。看了源码之后网页上的 html 竟然全都是 js 动态生成的,好二哦。

    就像下面这样。

    Element: weibo_element

    Source: weibo_source

    <script>FM.view({"ns":"pl.header.head.index","domid":"Pl_Official_Headerv6__1","css":[],"js":"page/js/pl/header/head/index.js?version=03f906edc4cbe84e","html":"<div class=\"PCD_header\">\r\n                <div class=\"pf_wrap\" layout-shell=\"false\" node-type=\"cover_wrap\">\r\n                <div class=\"cover_wrap\" node-type=\"cover\"  style=\"background-
    

    那么提取这种 html 有什么好的方法啊。 可怜我这种大过年还要写代码的大四狗。

    14 条回复    2019-02-09 19:55:01 +08:00
    leoleoasd
        1
    leoleoasd  
       2019-02-06 18:08:47 +08:00   ❤️ 1
    webdrive 里能运行 js 但是有些网站(比如淘宝)会检测 webdriver
    nlysh007
        2
    nlysh007  
       2019-02-06 20:02:47 +08:00
    直接 get ,然后匹配出 html 的部分就是了,有啥好说的...
    hanzichi
        3
    hanzichi  
       2019-02-06 20:31:21 +08:00
    无头浏览器?
    luozic
        4
    luozic  
       2019-02-06 21:58:39 +08:00 via iPhone
    最后情况直接上 selenium 把页面整个下载了
    Sparetire
        5
    Sparetire  
       2019-02-07 00:55:07 +08:00
    puppeteer
    NewConn
        6
    NewConn  
       2019-02-07 09:32:30 +08:00 via Android
    插眼,我也想知道除了 web driver 和 selenium 之外的办法,总感觉这种假浏览器或者调用浏览器的方式太蠢了,不知道还有什么办法
    kltt22
        7
    kltt22  
       2019-02-07 10:18:36 +08:00 via Android
    执行 js
    leoleoasd
        8
    leoleoasd  
       2019-02-07 18:16:25 +08:00
    写个浏览器插件 socket 链接 python 接受控制
    LukeChien
        9
    LukeChien  
       2019-02-08 00:18:51 +08:00 via Android
    关键词: chrome headless
    lynskylate
        10
    lynskylate  
       2019-02-08 01:21:57 +08:00
    动态生成除了用 headless chrome 没什么太好的方法,说实话挺蠢的,每次读取完毕未必读取完毕,还得 wait 几秒。

    如果有耐心的话,老实看下加密过的 js,https://beautifier.io/用这个美化下看,然后调 python 或者 java 的 u8 wrap 来执行这一段 js, 不能有网络和 dom 相关调用。
    zmxnv123
        11
    zmxnv123  
    OP
       2019-02-08 08:57:03 +08:00 via Android
    @leoleoasd 我只是想简单的提取一些 html...
    ericgui
        12
    ericgui  
       2019-02-08 09:35:49 +08:00
    我觉得你研究一下 fiddler,抓一下 api
    XxxxD
        13
    XxxxD  
       2019-02-08 17:53:04 +08:00
    模拟登陆 or 找 api
    tikazyq
        14
    tikazyq  
       2019-02-09 19:55:01 +08:00 via iPhone
    用 selenium 或 puppeteer
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   959 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 42ms · UTC 20:40 · PVG 04:40 · LAX 13:40 · JFK 16:40
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.