我了解使用 Python 的 Beautiful Soup 抓取 HTML 的基础知识。然而,this soccer statistics页面进行 AJAX 调用来获取玩家上场时间的数据。 (我使用 firebug 识别了网络调用)。
我的问题:是否有可能使用 python 来“抓取”这些信息?我需要什么工具以及除了 HTML 之外我还应该了解什么? (我目前正在阅读 JavaScript 和 AJAX)。
对于这个不具体的问题,我深表歉意,但我什至不知道如何通过 Google 搜索可能存在或不存在的工具。
更新:几天后,我想出了一个使用 Selenium
的解决方案在 Python 中与 PhantomJS
结合使用。我基本上用了Selenium
转到每个链接,等待页面加载,然后抓取信息。 PhantomJS
用作 Selenium
中的 headless 网络驱动程序.
我理解为什么模组想要关闭这个,但是人们在这里给我的建议非常有帮助,因为他们让我走向了正确的方向。我的问题也不是关于什么工具最好,而是更多关于如何在 Python 中做到这一点。
最佳答案
使用 python 是不必要的,并且在很多情况下不起作用,最好的方法是运行适当的浏览器并使用 javascript 来完成所有抓取,因为它将可以访问整个 DOM,甚至可以绑定(bind)到事件。
有很多很好的支持脚本的 headless 浏览器,我最喜欢的是 PhantomJS ,您可以使用它来加载网页并抓取它们或将它们另存为图像,例如
var page = require('webpage').create();
page.open('http://github.com/', function () {
page.render('github.png');
phantom.exit();
});
但是还有一些基于 PhantomJS 构建的抓取框架,例如 pjscrape
关于javascript - 使用 Python 通过 AJAX 抓取网页,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/19738938/