python爬虫怎么获取动态的网页源码

一个月前实习导师布置任务说通过网络爬虫获取深圳市气象局发布的降雨数据，网页如下：

心想，爬虫不太难的，当年跟zjb爬煎蛋网无（mei）聊（zi）图的时候，多么清高。由于接受任务后的一个月考试加作业一大堆，导师也不催，自己也不急。

但是，导师等我一个月都得让我来写意味着这东西得有多难吧。。。今天打开一看的确是这样。网站是基于Ajax写的，数据动态获取，所以无法通过下载源代码然后解析获得。

从某不良少年写的抓取淘宝mm的例子中收到启发，对于这样的情况，一般可以同构自己搭建浏览器实现。phantomJs，CasperJS都是不错的选择。

导师的要求是获取过去一年内深圳每个区每个站点每小时的降雨量，执行该 *** 作需要通过如上图中的历史查询实现，即通过一个时间来查询，而这个时间存放在一个hidden类型的input标签里，当然可以通过js语句将其改为text类型，然后执行send_keys之类的 *** 作。然而，我失败了。时间可以修改设置，可是结果如下图。

为此，仅抓取实时数据。选取python的selenium，模拟搭建浏览器，模拟人为的点击等 *** 作实现数据生成和获取。selenium的一大优点就是能获取网页渲染后的源代码，即执行 *** 作后的源代码。普通的通过 url解析网页的方式只能获取给定的数据，不能实现与用户之间的交互。selenium通过获取渲染后的网页源码，并通过丰富的查找工具，个人认为最好用的就是find_element_by_xpath("xxx")，通过该方式查找到元素后可执行点击、输入等事件，进而向服务器发出请求，获取所需的数据。

[python] view plain copy

# coding=utf-8

from testString import 

from selenium import webdriver

import string

import os

from seleniumwebdrivercommonkeys import Keys

import time

import sys

default_encoding = 'utf-8'

if sysgetdefaultencoding() != default_encoding:

reload(sys)

syssetdefaultencoding(default_encoding)

district_navs = ['nav2','nav1','nav3','nav4','nav5','nav6','nav7','nav8','nav9','nav10']

district_names = ['福田区','罗湖区','南山区','盐田区','宝安区','龙岗区','光明新区','坪山新区','龙华新区','大鹏新区']

flag = 1

while (flag > 0):

driver = webdriverChrome()

driverget("hianCe/")

# 选择降雨量

driverfind_element_by_xpath("//span[@id='fenqu_H24R']")click()

filename = timestrftime("%Y%m%d%H%M", timelocaltime(timetime())) + 'txt'

#创建文件

output_file = open(filename, 'w')

# 选择行政区

for i in range(len(district_navs)):

driverfind_element_by_xpath("//div[@id='" + district_navs[i] + "']")click()

# print driverpage_source

timeElem = driverfind_element_by_id("time_shikuang")

#输出时间和站点名

output_filewrite(timeElemtext + ',')

output_filewrite(district_names[i] + ',')

elems = driverfind_elements_by_xpath("//span[@onmouseover='javscript:changeTextOver(this)']")

#输出每个站点的数据，格式为：站点名，一小时降雨量，当日累积降雨量

for elem in elems:

output_filewrite(AMonitorRecord(elemget_attribute("title")) + ',')

output_filewrite('\n')

output_fileclose()

driverclose()

timesleep(3600)

文件中引用的文件testString只是修改输出格式，提取有效数据。

[python] view plain copy

#Encoding=utf-8

def OnlyCharNum(s, oth=''):

s2 = slower()

fomart = 'abcdefghijklmnopqrstuvwxyz0123456789,'

for c in s2:

if not c in fomart:

s = sreplace(c, '')

return s

def AMonitorRecord(str):

str = strsplit(":")

return str[0] + "," + OnlyCharNum(str[1])

一小时抓取一次数据，结果如下：

我们需要使用爬虫程序对目标网站登录时的请求进行一次抓取，获取请求中的cookie数据；

在使用个人信息页的url进行请求时，该请求需要携带cookie，只有携带了cookie后，服务器才可识别这次请求的用户信息，方可响应回指定的用户信息页数据。

爬虫除了要注意Cookie的限制之外，还需要注意其他的反爬虫，比如IP限制，这就需要使用极光代理IP进行更换IP地址，以其他的IP地址继续访问，突破网络限制。当然，还有其它很多的限制，爬虫在进行采集之前需要好好分析网站的反爬虫策略。

CeWL是一款以爬虫模式在指定URL上收集单词的工具，可以将它收集到的单词纳入密码字典，以提高密码破解工具的成功率。

选项与参数：

--depth N/-d N：提取深度，分析N级链接内网页内容，默认值为2。

--min_word_length N/-m N：单词最小长度，默认值为3。

--verbose/-v：详细输出。

--write/-w：设定输出文件名。

使用示例：

我们需要抓取内网一台IP地址为1921681101上的XAMPP服务器上的内容，并将文件命名为wordlisttxt，保存在当前目录下。为达此目的，我们需要输入以下内容：

cewl /wordlisttxt >

首先我们可以先获取要下载的整个页面信息。

getjpgpy

#coding=utf-8

import urllib

def getHtml(url):

page = urlliburlopen(url)

html = pageread()

return html

print html

Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取>

以上就是关于python爬虫怎么获取动态的网页源码全部的内容，包括:python爬虫怎么获取动态的网页源码、爬虫 如何抓包获取cookie、【原创】使用CeWL爬取页面内容制作密码字典等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！