爬虫采集-基于webkit核心的客户端Ghost.py [爬虫实例]

转自：http://rfyiamcool.blog.51cto.com/1030776/1287810

对与要时不时要抓取页面的我们来说，是痛苦的~

由于目前的Web开发中AJAX、Javascript、CSS的大量使用，一些网站上的重要数据是由Ajax或Javascript动态生成的，并不能直接通过解析html页面内容就能获得（例如采用urllib2，mechanize、lxml、Beautiful Soup ）。要实现对这些页面数据的爬取，爬虫必须支持Javacript、DOM、HTML解析。

比如： 像监控的数据就不能用简单的curl和urllib解析到的。。。  

还有这个用ajax 渲染的页面，用urllib2直接解析不了的。

http://rfyiamcool.blog.51cto.com/blog/1030776/1287810

常见的抓数据的方法：

urllib2+urlparse+re

最原始的办法，其中urllib2是python的web库、urlparse能处理url、re是正则库，这种方法写起来比较繁琐，但也比较“实在”

urllib2+beautifulsoup

这里的得力干将是beautifulsoup，beautifulsoup可以非常有效的解析HTML页面，就可以免去自己用re去写繁琐的正则等。

Mechanize+BeautifulSoup

Mechanize是对于urllib2的部分功能的替换，使得除了http以外其他任何连接也都能被打开，也更加动态可配置

http://rfyiamcool.blog.51cto.com/blog/1030776/1287810

其实像上面的页面，要是不嫌麻烦，可以从页面狂找接口，下出来的大多是xml的格式，然后你再费劲的去解析。。。是在他折腾了。

这时候大家可以用 webkit核心的web 客户端。  他会像真正的浏览器一样来解析页面的。

WebKit: Safari, Google Chrome,傲游3 360浏览器 等等都是基于 Webkit 核心开发。

我们一般是终端取值的，这些也有不少封装好的工具

Pyv8，PythonWebKit，Selenium，PhantomJS，Ghost.py  等等。。。。

我这里推荐用ghost.py 。。。。 因为他够直接和实用

发现国内webkit的资料很少，ghost.py的资料就更少了，那我就根据官方的文档，简单的翻译下 ~

http://rfyiamcool.blog.51cto.com/blog/1030776/1287810

一个小例子，感受下Ghost~

1 2 3 4

from ghost  import  Ghost ghost = Ghost() page, extra_resources = ghost.open( "http://xiaorui.cc" ) assert page.http_status== 200  and  'xiaorui'  in  ghost.content

安装Ghost.py　以及相关的东东～~

用webkit，我们需要有pyqt或者是PySide

这些都安装好了后，再开始  

运气好的直接 pip install Ghost.py

运气不好的：

中间会遇到好多蛋疼的问题，大家多搜搜~

要是解决不了了，请回帖哈~

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

wget http: //sourceforge.net/projects/pyqt/files/sip/sip-4.14.6/sip-4.14.6.tar.gz tar zxvf sip- 4.14 . 6 .tar.gz cd sip- 4.14 . 6 python configure.py make sudo make install wget http: //sourceforge.net/projects/pyqt/files/PyQt4/PyQt-4.10.1/PyQt-mac-gpl-4.10.1.tar.gz tar zxvf PyQt-mac-gpl- 4.10 . 1 .tar.gz cd PyQt-mac-gpl- 4.10 . 1 python configure.py make sudo make install wget http: //pyside.markus-ullmann.de/pyside-1.1.1-qt48-py27apple.pkg open pyside- 1.1 . 1 -qt48-py27apple.pkg git clone https: //github.com/mitsuhiko/flask.git cd flask sudo python setup.py install git clone git: //github.com/carrerasrodrigo/Ghost.py.git cd Ghost.py sudo python setup.py install

创建一个实例对象：

1 2	from ghost  import  Ghost ghost = Ghost()

打开一个页面

1	page, resources = ghost.open( 'http://my.web.page' )

夹带着 javascript代码

1 2	result, resources = ghost.evaluate(      "document.getElementById('my-input').getAttribute('value');" )

模拟点击事件

1 2	page, resources = ghost.evaluate(      "document.getElementById('link').click();" , expect_loading=True)

填写表单中的字段中的值 (selector, value, blur=True, expect_loading=False):

1	result, resources = ghost.set_field_value( "input[name=username]" ,  "jeanphix" )

If you set optional parameter `blur` to False, the focus will be left on the field (usefull for autocomplete tests).

For filling file input field, simply pass file path as `value`.

你可以填写form表单     Ghost.fill(selector, values, expect_loading=False):

1 2 3 4

result, resources = ghost.fill( "form" , {      "username" :  "jeanphix" ,      "password" :  "mypassword" })

提交表单~

1	page, resources = ghost.fire_on( "form" ,  "submit" , expect_loading=True)

这是对于高级属性的定义：

这些有很多好用的属性

wait_for_page_loaded()

That wait until a new page is loaded.

page, resources = ghost.wait_for_page_loaded()

这个是等 页面都加载完毕，类似jquery

$(document).ready(function()

wait_for_selector(selector)

That wait until a element match the given selector.

result, resources = ghost.wait_for_selector("ul.results")

等你指定的dom名称出现

wait_for_text(text)

That wait until the given text exists inside the frame.

result, resources = ghost.wait_for_selector("My result")

等我们要的字符出现

官网出现了 FlASK 的例子：

可以通过ghost.py和unittest实现程序的单元测试：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

import  unittest from  flask  import  Flask from  ghost  import  GhostTestCase app  =  Flask(__name__) @app .route( '/' ) def  home():      return  'hello world' class  MyTest(GhostTestCase):      port  =  5000      @classmethod      def  create_app( cls ):          return  app      def  test_open_home( self ):          self .ghost. open ( "http://localhost:%s/"  %  self .port)          self .assertEqual( self .ghost.content,  'hello world' ) if  __name__  = =  '__main__' :      unittest.main()

~~~整体的小demo~~~

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

# Opens the web page ghost.open( 'http://www.openstreetmap.org/' ) # Waits  for  form search field ghost.wait_for_selector( 'input[name=query]' ) # Fills the form ghost.fill( "#search_form" , { 'query' :  'France' }) # Submits the form ghost.fire_on( "#search_form" ,  "submit" ) # Waits  for  results (an XHR has been called here) ghost.wait_for_selector(      '#search_osm_nominatim .search_results_entry a' ) # Clicks first result link ghost.click(      '#search_osm_nominatim .search_results_entry:first-child a' ) # Checks  if  map has moved to expected latitude lat, resources = ghost.evaluate( "map.center.lat" ) assert float(lat.toString()) ==  5860090.806537

aha，咱们来个实例哈~    

咱们来个简单的 模拟浏览器 到百度去搜 xiaorui.cc   然后看看内容和headers头 ：

终端下的操作：

得到的是

http://www.baidu.com/s?wd=xiaorui.cc&rsv_bp=0&ch=&tn=baidu&bar=&rsv_spt=3&ie=utf-8

咱们访问下

看 他的http头

1 2

In [ 10 ]: print page.headers {u 'BDQID' : u '0xf594a31a03344b4f' , u 'Content-Encoding' : u 'gzip' , u 'Set-Cookie' : u 'BDSVRTM=381; path=/\nH_PS_PSSID=2976_2981_3091; path=/; domain=.baidu.com' , u 'BDUSERID' : u '0' , u 'Server' : u 'BWS/1.0' , u 'Connection' : u 'Keep-Alive' , u 'Cache-Control' : u 'private' , u 'Date' : u 'Tue, 03 Sep 2013 09:53:56 GMT' , u 'Content-Type' : u 'text/html;charset=utf-8' , u 'BDPAGETYPE' : u '3' }

他的内容：