使用python抓取js动态加载的网页

我们在做网页抓取的时候，一般来说使用urllib和urllib2就能满足大部分需求。

但是有时候我们遇见那种使用js动态加载的网页。就会发现urllib只能抓出一个部分内容空白的网页。就像下面百度图片的结果页：

审查元素之后，。发现百度图片中，显示图片的div为：pullimages

这个div里面的内容是动态加载的。而使用urllib&urllib2是抓取不到的。

要抓取动态加载的元素，首先考虑使用selenium来调用浏览器进行抓取。

而我们运行的环境是linux，最理想的方法是在无界面情况下进行抓取。

所以使用selenium+phantomjs来进行无界面抓取

phantomjs是什么呢？它是一个基于webkit内核的无头浏览器，即没有UI界面，即它就是一个浏览器

selenium和phantomjs的安装配置可以google，这里就略过不谈了

代码如下：

from selenium import webdriver
driver = webdriver.PhantomJS(executable_path='/bin/phantomjs/bin/phantomjs')#如果不方便配置环境变量。就使用phantomjs的绝对路径也可以

driver.get('http://image.baidu.com/i?ie=utf-8&word=%E5%91%A8%E6%9D%B0%E4%BC%A6')#抓取了百度图片，query：周杰伦

driver.page_source #这就是返回的页面内容了，与urllib2.urlopen().read()的效果是类似的，但比urllib2强在能抓取到动态渲染后的内容。

driver.quit()

到这里。就抓取动态页面成功了。