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：