python+Chrome爬取动态异步生成的页面内容

背景需求,发送一个中文,返回拼音+声调。


解决之道一

百度一下 “汉字转拼音api”,是否有相关免费的api,还真的找到个“showapi易源接口”。可惜它不带声调。
百度一下“python汉字转拼音+声调”,找到一篇“Python: 汉字转拼音(带声调)”的文章。哈哈,按照功能实现需求了。咳咳,有些跑题。为了贴近标题,提供解决之道二。

解决之道二

百度一下某个汉字,比如“我”,打开百度汉字,如图:


image

发现会有很多资源,拼音、部首、笔画、五行、基本释义等等。


image

准备用python爬。直接用urllib.request爬取,发现得到的刚好没有这些资源,怎么回事?
image

在浏览器下发现有这么一串js

 <script>window.basicInfo = {"name":"\u6211","type":"wo、rd","radical":null,"strokes":"7","definition":"w\u01d2#wo3#\u81ea\u79f0\uff0c\u81ea\u5df1\uff0c\u4ea6\u6307\u81ea\u5df1\u4e00\u65b9\uff1a\uff5e\u4eec\u3002\uff5e\u89c1\uff08\u6211\u81ea\u5df1\u7684\u770b\u6cd5\uff09\u3002\uff5e\u8f88\u3002\uff5e\u4faa\uff08\u6211\u4eec\uff09\u3002\u81ea\uff5e\u3002\uff5e\u76c8\u5f7c\u7aed\u3002"};</script>

将unicode转中文后得到:

name":"我","type":"word","radical":null,"strokes":"7","definition":"wǒ#wo3#自称,自己,亦指自己一方:~们。~见(我自己的看法)。~辈。~侪(我们)。自~。~盈彼竭。"

说明对应的这些内容是由js动态生成的。
我们需要能爬到动态的内容,可以使用selenium+chrome得到。


image

为什么不用PhantomJS?

  • 一、PhantomJS暂停开发
  • 二、新版本的Selenium不再支持PhantomJS

我们可以用chrome的headless模式,当然对chrome有要求,版本需要>=60(windows)>=59(linux)。还需要对应的chromeDriver
chromeDriver要求和配置可以参照我的另一篇文章《Python+selenium自动上传博客图片至新浪微博相册》

上代码~

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
driver = webdriver.Chrome(chrome_options=chrome_options, executable_path='C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe')
driver.get("http://hanyu.baidu.com/s?wd=%E4%BD%A0&from=zici")
print(driver.page_source)

duangduangduang~就这么成功爬取到了js动态生成的内容

新建了个简书程序员交流群194472590,欢迎加入交流!