Python selenium的js擴展實現

python寫的數據採集，對一般有規律的頁面用 urllib2 + BeautifulSoup + 正則就可以搞定。 但是有些頁面的內容是通過js生成，或者通過js跳轉的，甚至js中還加入幾道混淆機制；對這種涉及頁面腳本解析的內容，前面的方式便很無力。

這時我們需要能解析、運行js的引擎——瀏覽器，而python selenium能提供程序與瀏覽器的交互接口，再加上phantomjs這個可以後臺運行的瀏覽器，即使用 selenium + phantomjs 便可以解決以上的問題。

selenium可以操作頁面的元素，並且提供執行js腳本的接口。但其調用js腳本後並不能直接返回執行的結果，這樣再採集內容的過程中就會受到一些限制。 比如我們想使用頁面中的函數進行數據轉換，或者獲取iframe裏的內容，這些js產生數據要傳回比較麻煩。

所以我便寫一個簡化js數據回傳的擴展 exescript.py

#!/usr/bin/env python
# -*- coding:utf-8 -*-
#
# created by heqingpan

_init_js="""
(function (){
if (window.__e)
{ return;
}
var e=document.createElement('div');
e.setAttribute("id","__s_msg");
e.style.display="none";
document.body.appendChild(e);
window.__e=e;
})();
window.__s_set_msg=function(a){
    window.__e.setAttribute("msg",a.toString()||"");
}
"""
_loadJsFmt="""
var script = document.createElement('script');
script.src = "{0}";
document.body.appendChild(script);
"""
_jquery_cdn="http://lib.sinaapp.com/js/jquery/1.7.2/jquery.min.js"
_warpjsfmt="__s_set_msg({0})"

class ExeJs(object):
    def __init__(self,driver,trytimes=10):
        from time import sleep
        self.driver=driver
        driver.execute_script(_init_js)
        while trytimes >0:
            try:
                self.msgNode=driver.find_element_by_id('__s_msg')
                break
            except Exception:
                sleep(1)
                trytimes -= 1
        if self.msgNode is None:
            raise Exception()
    def exeWrap(self,jsstr):
        """ jsstr 執行後有返回值，返回值通過self.getMsg()獲取 """
        self.driver.execute_script(_warpjsfmt.format(jsstr))
    def loadJs(self,path):
        self.execute(_loadJsFmt.format(path))
    def loadJquery(self,path=_jquery_cdn):
        self.loadJs(path)
    def execute(self,jsstr):
        self.driver.execute_script(jsstr)
    def getMsg(self):
        return self.msgNode.get_attribute('msg')

打開ipython上一個例子，獲取博客園首頁文章title列表

from selenium import webdriver
import exescript

d=webdriver.PhantomJS("phantomjs")
d.get("http://www.cnblogs.com/")
exejs=exescript.ExeJs(d)
exejs.exeWrap('$(".post_item").length')
print exejs.getMsg()
#out: 
"""
20
"""

jsstr="""(function(){
var r=[];
$(".post_item").each(function(){
  var $this=$(this);
  var $h3=$this.find("h3");
  r.push($h3.text());
});
return r.join(',');})()"""
exejs.exeWrap(jsstr)
l=exejs.getMsg()
for title in l.split(','):
    print title

#out:
"""
mac TeamTalk開發點點滴滴之一——DDLogic框架分解上
The directfb backend was supported together with linux-fb backend in GTK+2.10
Science上發表的超讚聚類算法
功能齊全、效率一流的免費開源數據庫導入導出工具（c#開發，支持SQL server、SQLite、ACCESS三種數據  庫），每月藉此處理數據5G以上
企業級應用框架(三)三層架構之數據訪問層的改進以及測試DOM的發佈
Unity3D 第一季 00 深入理解U3D開發平臺
Welcome to Swift (蘋果官方Swift文檔初譯與註解二十一)---140~147頁(第三章--集合類型)
appium簡明教程（11）——使用resource id定位
SQL語句彙總(終篇）—— 表聯接與聯接查詢
fopen警告處理方式
AndroidWear開發之HelloWorld篇
AMD and CMD are dead之KMD.js版本0.0.2發佈
SQL語句彙總(三）——聚合函數、分組、子查詢及組合查詢
DevExpress GridControl功能總結
ASP.NET之Jquery入門級別
2014年前端面試經歷
grunt源碼解析：整體運行機制&grunt-cli源碼解析
跟用戶溝通，問題儘量分析清楚，以及解決問題
ASP.NET之Ajax系列（一）
算法複雜度分析
"""