使用casperjs获取javascript渲染生成的html内容

标签：

文章摘要：其实这里casperjs与python没有直接关系,主要依赖casperjs调用phantomjs webkit获取html文件内容。长期以来，爬虫抓取 客户端javascript渲染生成的html页面 都极为 困难, Java里面有 HtmlUnit , 而Python里，我们可以使用独立的跨平台的 CasperJS 。

创建site.js(接口文件，输入:url，输出:html file)

//USAGE: E:\toolkit\n1k0-casperjs-e3a77d0\bin>python casperjs site.js --url=http://spys.ru/free-proxy-list/IE/ --outputfile=‘temp.html‘

var fs = require(‘fs‘);
var casper = require(‘casper‘).create({
 pageSettings: {
 loadImages: false,       
 loadPlugins: false,      
 userAgent: ‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.137 Safari/537.36 LBBROWSER‘
},
logLevel: "debug",//日志等级
verbose: true    // 记录日志到控制台
 });
var url = casper.cli.raw.get(‘url‘);
var outputfile = casper.cli.raw.get(‘outputfile‘);
//请求页面
casper.start(url, function () {
fs.write(outputfile, this.getHTML(), ‘w‘);
});

casper.run();

python 代码, checkout_proxy.py

import json
import sys
#import requests
#import requests.utils, pickle
from bs4 import BeautifulSoup
import os.path,os
import threading
#from multiprocessing import Process, Manager
from datetime import datetime
import traceback
import logging
import re,random
import subprocess
import shutil
import platform
output_file =  os.path.join(os.path.dirname(os.path.realpath(__file__)),‘proxy.txt‘)
global_log  = ‘http_proxy‘ + datetime.now().strftime(‘%Y-%m-%d‘) + ‘.log‘
if not os.path.exists(os.path.join(os.path.dirname(os.path.realpath(__file__)),‘logs‘)):
  os.mkdir(os.path.join(os.path.dirname(os.path.realpath(__file__)),‘logs‘))
global_log = os.path.join(os.path.dirname(os.path.realpath(__file__)),‘logs‘,global_log)
logging.basicConfig(level=logging.DEBUG,format=‘[%(asctime)s] [%(levelname)s] [%(module)s] [%(funcName)s] [%(lineno)d] %(message)s‘,filename=global_log,filemode=‘a‘)
log = logging.getLogger(__name__) 
#manager = Manager()
#PROXY_LIST = manager.list()
mutex = threading.Lock()
PROXY_LIST = []
def isWindows():
  if "Windows" in str(platform.uname()):
  return True
  else:
  return False
def getTagsByAttrs(tagName,pageContent,attrName,attrRegValue):
  soup = BeautifulSoup(pageContent)																							   
  return soup.find_all(tagName, { attrName : re.compile(attrRegValue) })
def getTagsByAttrsExt(tagName,filename,attrName,attrRegValue):
  if os.path.isfile(filename):
  f = open(filename,‘r‘)	  
  soup = BeautifulSoup(f)
  f.close()
  return soup.find_all(tagName, { attrName : re.compile(attrRegValue) })
  else:
  return None
class Site1Thread(threading.Thread):
  def __init__(self,outputFilePath):
    threading.Thread.__init__(self)
  self.outputFilePath = outputFilePath
  self.fileName = str(random.randint(100,1000)) + ".html"
  self.setName(‘Site1Thread‘)
  def run(self):
  site1_file = os.path.join(os.path.dirname(os.path.realpath(__file__)),‘site.js‘)
  site2_file = os.path.join(self.outputFilePath,‘site.js‘)
  if not os.path.isfile(site2_file) and os.path.isfile(site1_file):
    shutil.copy(site1_file,site2_file)
  #proc = subprocess.Popen(["bash","-c", "cd %s && ./casperjs site.js --url=http://spys.ru/free-proxy-list/IE/ --outputfile=%s" % (self.outputFilePath,self.fileName) ],stdout=subprocess.PIPE)
  if isWindows():
    proc = subprocess.Popen(["cmd","/c", "%s/casperjs site.js --url=http://spys.ru/free-proxy-list/IE/ --outputfile=%s" % (self.outputFilePath,self.fileName) ],stdout=subprocess.PIPE)
  else:
    proc = subprocess.Popen(["bash","-c", "cd %s && ./casperjs site.js --url=http://spys.ru/free-proxy-list/IE/ --outputfile=%s" % (self.outputFilePath,self.fileName) ],stdout=subprocess.PIPE)
  out=proc.communicate()[0]
  htmlFileName = ‘‘
  #因为输出路径在windows不确定，所以这里加了所有可能的路径判断
  if os.path.isfile(self.fileName):
    htmlFileName = self.fileName
  elif os.path.isfile(os.path.join(self.outputFilePath,self.fileName)):
    htmlFileName = os.path.join(self.outputFilePath,self.fileName)
  elif os.path.isfile(os.path.join(os.path.dirname(os.path.realpath(__file__)),self.fileName)):
    htmlFileName = os.path.join(os.path.dirname(os.path.realpath(__file__)),self.fileName)	
  if (not os.path.isfile(htmlFileName)):
    print ‘Failed to get html content from http://spys.ru/free-proxy-list/IE/‘
    print out
    sys.exit(3)	
  mutex.acquire()
  PROXYList= getTagsByAttrsExt(‘font‘,htmlFileName,‘class‘,‘spy14$‘)
  for proxy in PROXYList:
    tdContent = proxy.renderContents()
    lineElems = re.split(‘[<>]‘,tdContent)
    if re.compile(r‘\d+‘).search(lineElems[-1]) and re.compile(‘(\d+\.\d+\.\d+)‘).search(lineElems[0]):
    print lineElems[0],lineElems[-1]
    PROXY_LIST.append("%s:%s" % (lineElems[0],lineElems[-1]))
  mutex.release()
  try:
    if os.path.isfile(htmlFileName):
    os.remove(htmlFileName)
  except:
    pass
if __name__ == ‘__main__‘:
  try:
  if(len(sys.argv)) < 2:
    print "Usage:%s [casperjs path]" % (sys.argv[0])
    sys.exit(1)	
  if not os.path.exists(sys.argv[1]):
    print "casperjs path: %s does not exist!" % (sys.argv[1])
    sys.exit(2)	
  if os.path.isfile(output_file):
    f = open(output_file)
    lines = f.readlines()
    f.close
    for line in lines:
    PROXY_LIST.append(line.strip())
  thread1 = Site1Thread(sys.argv[1])
  thread1.start()
  thread1.join()
  f = open(output_file,‘w‘)
  for proxy in set(PROXY_LIST):
    f.write(proxy+"\n")
  f.close()
  print "Done!"
  except SystemExit:
  pass
  except:
    errMsg = traceback.format_exc()
    print errMsg
    log.error(errMsg)

使用casperjs获取javascript渲染生成的html内容

标签：

原文地址：http://my.oschina.net/jastme/blog/500686