上一篇文章爬取动态网页python+selenium+webdriver介绍了爬取动态网站的一种模拟浏览器的方法，该方法的优劣也很明显

优：

可以模拟任何人的操作，输入账号密码，点击登录等等操作

劣：

1.每次执行都要打开桌面上的Chrome浏览器(自动化测试需要)

2.浏览器的各个操作步骤都需要sleep几秒进行等待，效率低

本文针对两个劣点的进行解决

PhantomJS

webdriver有很多种类的浏览器比如Internet Explorer、Chrome和 Firefox等，PhantomJS是一个无界面的浏览器，可以解决第一个问题。

渲染的问题

一个含有 JS 渲染的网页。想要抓取网页中所有信息。如果我们利用 HTTP 方法无法获得任何信息。

import requests

from lxml import html

# storing response

response = requests.get('http://pycoders.com/archive')

# creating lxml tree from response body

tree = html.fromstring(response.text)

# Finding all anchor tags in response

print tree.xpath('//div[@class="campaign"]/a/@href')

因为这是动态渲染的网站，我们只能拿到一堆还没被解析为html的js代码。

Web kit

什么是 Web kit呢？

Web kit 可以实现浏览器所能处理的任何事情。对于某些浏览器来说，Web kit就是其底层的网页渲染工具。

Web kit 是 QT 库的一部分，因此需要安装 QT 和PyQT4 库来使用Web kit

sudo apt-get install python-qt4

注意：

上篇文章中使用selenium+webdriver其实也是通过浏览器来进行渲染那些js，原理相同

解析数据

思路：我们首先通过 Web kit 发送请求信息，然后等待网页被完全加载后将其赋值到某个变量中。接下来我们利用 lxml 从 HTML 数据中提取出有效的信息。

1.类 Render 可以用来渲染网页，当我们新建一个 Render 类时，它可以将 url 中的所有信息加载下来并存到一个新的框架中。

import sys

from PyQt4.QtGui import *

from PyQt4.Qtcore import *

from PyQt4.QtWebKit import *

class Render(QWebPage):

def __init__(self, url):

self.app = QApplication(sys.argv)

QWebPage.__init__(self)

self.loadFinished.connect(self._loadFinished)

self.mainFrame().load(QUrl(url))

self.app.exec_()

def _loadFinished(self, result):

self.frame = self.mainFrame()

self.app.quit()

2.利用以上的代码我们将 HTML 结果储存到变量 result 中

url = 'http://pycoders.com/archive/'

# This does the magic.Loads everything

r = Render(url)

# Result is a QString.

result = r.frame.toHtml()

3.转换数据格式并解析

# QString should be converted to string before processed by lxml

formatted_result = str(result.toAscii())

# Next build lxml tree from formatted_result

tree = html.fromstring(formatted_result)

# Now using correct Xpath we are fetching URL of archives

archive_links = tree.xpath('//div[@class="campaign"]/a/@href')

print archive_links

总结

1.动态网站爬取核心步骤是渲染js

2.python+selenium+webdriver方式是模拟出真实环境解决的，既可以解决渲染，又可以附带很多人的操作(输入、点击、最大化等)，功能强大但是纯采集的话效率略低

3.python+Web kit方式直接把渲染的核心部件拿出来进行解决，这种方式简单直接，作为纯采集来说是首选，但是受限于需要登录验证的网站