javascript - 用于 Javascript 的 Python 爬虫？

Question

谁能指导我找到一个用于 javascript 代码的优秀 Python 屏幕抓取库(希望有良好的文档/教程)？我想看看那里有哪些选择，但最容易学习的是最快的结果……想知道是否有人有经验。我听说过一些关于 spidermonkey 的资料，但也许还有更好的资料？

具体来说，我使用 BeautifulSoup 和 Mechanize 到达这里，但需要一种方法来打开 javascript 弹出窗口、提交数据以及下载/解析 javascript 弹出窗口中的结果。

<a href="javascript:openFindItem(12510109)" onclick="s_objectID=&quot;javascript:openFindItem(12510109)_1&quot;;return this.s_oc?this.s_oc(e):true">Find Item</a>

我想用 Google App 引擎和 Django 来实现它。谢谢!

Answer 1

在这些情况下，我通常做的是自动化一个实际的浏览器，并从那里获取处理过的 HTML。

编辑:

这是一个自动 InternetExplorer 导航到 URL 并在页面加载后获取标题和位置的示例。

from win32com.client import Dispatch

from ctypes import Structure, pointer, windll
from ctypes import c_int, c_long, c_uint
import win32con
import pywintypes

class POINT(Structure):
    _fields_ = [('x', c_long),
                ('y', c_long)]
    def __init__( self, x=0, y=0 ):
        self.x = x
        self.y = y

class MSG(Structure):
    _fields_ = [('hwnd', c_int),
                ('message', c_uint),
                ('wParam', c_int),
                ('lParam', c_int),
                ('time', c_int),
                ('pt', POINT)]

def wait_until_ready(ie):
    pMsg = pointer(MSG())
    NULL = c_int(win32con.NULL)

    while True:

        while windll.user32.PeekMessageW(pMsg, NULL, 0, 0, win32con.PM_REMOVE) != 0:
            windll.user32.TranslateMessage(pMsg)
            windll.user32.DispatchMessageW(pMsg)

        if ie.ReadyState == 4:
            break


ie = Dispatch("InternetExplorer.Application")

ie.Visible = True

ie.Navigate("http://google.com/")

wait_until_ready(ie)

print "title:", ie.Document.Title
print "location:", ie.Document.location