python抓取javascript动态生成HTML内容的实践

本实验在Ubuntu14.04上完成。使用的浏览器是火狐(Firefox 33.0)，python版本是2.7.6。

大家都知道用urllib配合正则表达式抓取静态HTML的内容很方便，但是如果网页中有javascript动态生成的内容，urllib就无能为力了。

此时我们要借助一个额外的工具：selenium。它的工作原理是操纵（火狐）浏览器浏览目标网页，等待网页中的javascript全部执行完毕后再对HTML源码进行操作。整个过程就好像是人工操作浏览器转到目标网址查看源代码一样。

从selenium的官网下载selenium-server-standalone-2.44.0.jar。为了大家方便我已经传到了网盘上。下载后设置一下文件的权限：

$ chmod 664 selenium-server-standalone-2.44.0.jar

然后，安装python的selenium工具包：

$ pip install -U selenium

准备工作就绪了，下面开始测试一下这套系统。首先运行起selenium的server：

$ sudo java -jar selenium-server-standalone-2.44.0.jar 

注意，整个命令会在输出了几行信息后就不动了。这不是卡死，而是server已经做好准备，等待python脚本的调用。所以这个窗口就不要动了。

开个新窗口执行python脚本：

$ python skk.py

skk.py的内容如下：

#!/usr/bin/pythonfrom selenium import seleniumdef selenium_init(browser,url,para):    sel = selenium('localhost', 4444, browser, url)    sel.start()    sel.open(para)    sel.set_timeout(60000)    sel.window_focus()    #sel.window_maximize()    return sel     if __name__ =="__main__" :    browser='*firefox'    html=''    sel1=selenium_init(browser,'http://music.baidu.com','/top')    try:        html=sel1.get_html_source()    finally:        sel1.stop()        print html

在脚本执行的过程中，火狐浏览器会弹出来跳动一番，就好像人工操作浏览器看网页一样。不要理它，最后浏览器窗口会自动关掉。

脚本最终打印出http://music.baidu.com/top的HTML源码，存在字符串变量html中。读者可以继续用正则表达式从“html”中获取数据。

关于selenium的python接口的更多用法，可以参考官方文档：http://selenium.googlecode.com/git/docs/api/py/api.html