如何抓取JS动态输出(非ajax)的电话号码

很多网站为了防止用户的隐私信息（电话、手机、邮箱等）被爬虫抓取，对这些信息作了特殊处理。例如，采用JS输出、采用Ajax动态加载、以图片的形式显示等等。

 

其中最为常见的就是采用JS输出，这种方法实现的成本最低，同样也最好被抓取。

 

例如这个页面：

http://www.tripadvisor.com/Hotel_Review-g34859-d1526306-Reviews-Holiday_Inn_Express_Hotel_Suites-Columbus_Georgia.html

 

 

 

 

电话号码是采用JS输出的，JS代码如下：

 

 

<script>   

<!--  

function escramble_751(){  

var a,b,c  

a='877'  

b='-5'  

a+='-85'  

b+='095'  

c='9'  

document.write(a+c+b)  

}  

escramble_751()  

//-->  

</script> 

 

PS： 更BT的是这个函数名“escramble_751()”还是不断变化的。  

 

 

不过利用强大的字符串匹配工具“正则表达式”，还是可以很方便地将其提取出来的：

 

# Python  code

phone_re = re.compile("a='([ \+\-\d]+?)'.*?b='([ \+\-\d]+?)'.*?a\+='([ \+\-\d]+?)'.*?b\+='([ \+\-\d]+?)'.*?c='([ \+\-\d]+?)'", re.DOTALL)  

match = phone_re.search(html)  

if match:  

    a, b, c, d, e = match.groups()  

    telephone = a + c + e + b + d  

else:  

    telephone = None 

原文作者：西安鲲之鹏（http://www.site-digger.com）

原文链接：http://www.site-digger.com/html/articles/20110316/3.html点击打开链接