python 爬取 js渲染_scrapy 爬取 javascript 动态渲染页面

前言

初因是给宝宝制作拼音卡点读包时，要下载卖家提供给的MP3，大概有2百多个。作为一个会码代码的非专业人士，怎么可能取一个一个下载？所以就决定用python 的 scrapy 框架写个爬虫,去下载这些MP3。一开始以为简单，直到完成下载，竟然花了我一下午的时间。最大的难题就是页面的数据是通过javascript 脚本动态渲染的。百度上大部分方法都是通过splash 做中转实现的方法，而我只是想简单的写个代码实现而已，看splash还要挂docker，巴啦巴啦一大堆的操作，顿时就心塞了。通过百度和自己实践，终于找到了一个最简单的方法解决了问题，特此记录下来，同大家分享一下。

页面分析

先开始分析目标html

首页

韵母列表页

拼音 e MP3 页

看着简单吧，可一爬取，问题立马就出现了，curl下静态页看看。

curl -s https://biz.cli.im/test/CI525711?stime=2 >111.html

首页竟是这样的，页面的列表数据，是通过javascript 动态渲染的。

是个json 数据，再格式化后分析下，页面link 都在data 这个json数据里了。

代码实现

最基础的response.xpath 方式是不能用了，我的思路是把scripts 获取出来，然后用获取soncode_link 的值。

经过研究决定用 BeautifulSoup + js2xml

class JingboSpider(scrapy.Spider):

name = 'jingbo'

allowed_domains = ['biz.cli.im']

all_urls= "https://biz.cli.im"

start_urls = ['test/CI525711?stime=2']

def start_requests(self):

#自定义headers

for url in self.start_urls:

yield scrapy.Request(self.all_urls+"/"+url, headers={"User-Agent": USER_AGENT})

def parse(self, response):

resp = response.text

# 用lxml作为解析器，解析返回数据

soup = BeautifulSoup(resp,'lxml')

# 获取所有script 标签数据，并遍历查找

scripts = soup.find_all('script')

for script in scripts:

if type(script.string) is type(None):

continue

if script.string.find("loadtemp();") > 0:

src=script

break

title="title"

link="soncode_link"

# 将js 数据转化为 xml 标签树格式

src_text = js2xml.parse(src.string, encoding='utf-8',debug=False)

src_tree = js2xml.pretty_print(src_text)

# print(src_tree)

selector = etree.HTML(src_tree)

links = selector.xpath("//property[@name = '"+link+"']/string/text()")

playurl = selector.xpath("//property[@name = 'play_url']/string/text()")

titles = selector.xpath("//property[@name = '"+title+"']/string/text()")

#剩下就是循环获取页面，下载MP3文件了。

scrapy 环境安装

pip install Twisted‑18.9.0‑cp37‑cp37m‑win_amd64.whl

pip install pypiwin32 js2xml urllib2 Scrapy

创建项目

scrapy startproject pinyin

创建任务

开始爬取

scrapy crawl jingbo

最后战果

参考文档

python 爬取 js渲染_scrapy 爬取 javascript 动态渲染页面相关推荐

driver.get调用iframe中的页面_【5分钟玩转Lighthouse】爬取JavaScript动态渲染页面
0x00 背景概述通过[技术干货 007 | Scrapy爬虫初探]教程,大家应该已经对如何编写爬虫有了一定的认识.但对于较为复杂的网站设计,比如网站页面使用了JavaScript动态渲染,入门级的 ...
python实现矢量分级渲染_用 Python 撸一个 Web 服务器-第4章：动态渲染数据
上一章中为了尽快让 Todo List 程序跑起来,并没有完全按照 MVC 模式编写程序.这一章就让我们一起实现一个完整的 MVC 模式 Todo List 程序首页. 使用模型操作数据我们来分析下 ...
一个div 上下两行_用 Python 撸一个 Web 服务器第4章：动态渲染数据
上一章中为了尽快让 Todo List 程序跑起来,并没有完全按照 MVC 模式编写程序.这一章就让我们一起实现一个完整的 MVC 模式 Todo List 程序首页. 使用模型操作数据我们来分析下 ...
python爬取js加载的数据_JS动态加载数据不会爬？老司机教你两个方法爬取想要的数据...
学习Python的人绝大部分都是在用Python做爬虫,毕竟对于爬虫而言Python是不二选. 但是一般简单的静态页面网站还是很好爬取的,对于很多动态加载的网站就不知道怎么办了,今天小编就给大家介绍两 ...
JavaScript 动态渲染页面爬取(二) —— 基于 Splash
目录一.安装 Splash 二.Splash 的使用一.安装 Splash Splash 是一个 JavaScript 渲染服务,是一个含有 HTTP API 的轻量级浏览器,它还对接了 Pyth ...
Scrapy爬虫框架（实战篇）【Scrapy框架对接Splash抓取javaScript动态渲染页面】
(1).前言动态页面:HTML文档中的部分是由客户端运行JS脚本生成的,即服务器生成部分HTML文档内容,其余的再由客户端生成静态页面:整个HTML文档是在服务器端生成的,即服务器生成好了,再发送 ...
Splash抓取javaScript动态渲染页面
一.概述 Splash是一个javascript渲染服务.它是一个带有HTTP API的轻量级Web浏览器,使用Twisted和QT5在Python 3中实现.QT反应器用于使服务完全异步,允许通过Q ...
PHP js curl,php curl 获取javascript动态生成的值
我在做一个青果教务系统的模拟登录,使用php的curl,我是新手,边学边做的,它的登录页面有几个hidden的值,发现有一个值是javascript动态生成的,用curl抓取的时候是空的,我要怎么抓取 ...
python爬虫微博粉丝数据_Scrapy 爬取新浪微博数据分析男女粉丝数量
通过之前爬取新浪微博发现,无论通过http://m.weibo.cn这里,还是http://weibo.cn这里,都没办法获取全部粉丝数据那如果我想分析一个明星的男女粉丝数据怎么办,比如想知道某明星 ...
python爬虫进阶js逆向实战 | 爬取破解某安部加速乐cookie
很久没有写技术性的文章了,最近打算更新一系列的js逆向实战今天的网站是某安部的一个加密cookie的分析跟破解 aHR0cHM6Ly93d3cubXBzLmdvdi5jbi9uMjI1NDA5OC9 ...

python 爬取 js渲染_scrapy 爬取 javascript 动态渲染页面

python 爬取 js渲染_scrapy 爬取 javascript 动态渲染页面相关推荐

最新文章

热门文章