如何抓取JS动态输出(非ajax)的电话号码

很多网站为了防止用户的隐私信息(电话、手机、邮箱等)被爬虫抓取,对这些信息作了特殊处理。例如,采用JS输出、采用Ajax动态加载、以图片的形式显示等等。
 
其中最为常见的就是采用JS输出,这种方法实现的成本最低,同样也最好被抓取。
 
例如这个页面:
 
 
 
 
电话号码是采用JS输出的,JS代码如下:
 
 
<script>   
<!--  
function escramble_751(){  
var a,b,c  
a='877'  
b='-5'  
a+='-85'  
b+='095'  
c='9'  
document.write(a+c+b)  
}  
escramble_751()  
//-->  
</script> 
 
PS: 更BT的是这个函数名“escramble_751()”还是不断变化的。  
 
 
不过利用强大的字符串匹配工具“正则表达式”,还是可以很方便地将其提取出来的:
 
# Python  code
phone_re = re.compile("a='([ \+\-\d]+?)'.*?b='([ \+\-\d]+?)'.*?a\+='([ \+\-\d]+?)'.*?b\+='([ \+\-\d]+?)'.*?c='([ \+\-\d]+?)'", re.DOTALL)  
match = phone_re.search(html)  
if match:  
    a, b, c, d, e = match.groups()  
    telephone = a + c + e + b + d  
else:  

    telephone = None 


原文作者:西安鲲之鹏(http://www.site-digger.com
原文链接:http://www.site-digger.com/html/articles/20110316/3.html 点击打开链接


阅读更多
个人分类: Web数据采集
上一篇Web数据采集(抓取)介绍
下一篇大众点评网全国数据2015年08月份更新(1480万条)
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭