新手：如何克服Javascript“onclick”按钮来抓取网页？答案

【问题标题】：Newbie: How to overcome Javascript "onclick" button to scrape web page?新手：如何克服Javascript“onclick”按钮来抓取网页？
【发布时间】：2013-05-01 12:38:05
【问题描述】：

这是我要抓取的链接： http://www.prudential.com.hk/PruServlet?module=fund&purpose=searchHistFund&fundCd=MMFU_U

“英文版”标签位于右上角，以显示网页的英文版。

我必须按下一个按钮才能阅读网页上的资金信息。如果不是，则视图被阻塞，并且使用 scrapy shell 总是导致空 []。

<div onclick="AgreeClick()" style="width:200px; padding:8px; border:1px black solid; 
background-color:#cccccc; cursor:pointer;">Confirmed</div>

而AgreeClick的作用是：

function AgreeClick() {
var cookieKey = "ListFundShowDisclaimer";
SetCookie(cookieKey, "true", null);
Get("disclaimerDiv").style.display = "none";
Get("blankDiv").style.display = "none";
Get("screenDiv").style.display = "none";
//Get("contentTable").style.display = "block";
ShowDropDown();

如何克服这个 onclick="AgreeClick()" 功能来抓取网页？

【问题讨论】：

标签： python web-scraping scrapy

【解决方案1】：

你不能只点击scrapy里面的链接（见Click a Button in Scrapy）。

首先，检查您需要的数据是否已经存在 - 在 html 中（它在后台 - 所以它就在那里）。

另一个选项是selenium:

from selenium import webdriver
import time

browser = webdriver.Firefox()
browser.get("http://www.prudential.com.hk/PruServlet?module=fund&purpose=searchHistFund&fundCd=MMFU_U")

elem = browser.find_element_by_xpath('//*[@id="disclaimer"]/div/div')
elem.click()
time.sleep(0.2)

elem = browser.find_element_by_xpath("//*")
print elem.get_attribute("outerHTML")

另一种选择是使用mechanize。它不能执行js代码，但是根据源码，AgreeClick只是将cookieListFundShowDisclaimer设置为true。这是一个起点（不确定是否有效）：

import cookielib
import mechanize

br = mechanize.Browser()

cj = cookielib.CookieJar()
ck = cookielib.Cookie(version=0, name='ListFundShowDisclaimer', value='true', port=None, port_specified=False,
                      domain='www.prudential.com.hk', domain_specified=False, domain_initial_dot=False, path='/',
                      path_specified=True, secure=False, expires=None, discard=True, comment=None, comment_url=None,
                      rest={'HttpOnly': None}, rfc2109=False)
cj.set_cookie(ck)
br.set_cookiejar(cj)

br.open("http://www.prudential.com.hk/PruServlet?module=fund&purpose=searchHistFund&fundCd=MMFU_U")
print br.response().read()

然后，您可以使用BeautifulSoup 或您喜欢的任何内容解析结果。

【讨论】：

您在 Requests 中也有解决方案吗？我正在使用请求，我需要这样做。

【解决方案2】：

使用 Python 的 spynner 库来模拟浏览器并执行客户端 JavaScript。

import spynner

browser = spynner.Browser()
url = "http://www.prudential.com/path/?args=values"

browser.load(url)

browser.runjs("AgreeClick();")

markup = browser._get_html()

如您所见，您可以通过编程方式调用页面源代码中可用的任何 Javascript 函数。

如果你还需要解析结果，我强烈推荐BeautifulSoup。

【讨论】：