在上一篇《Python爬虫实战：爬取Drupal论坛帖子列表》，爬取了一个用Drupal做的论坛，是静态页面，抓取比较容易，即使直接解析html源文件都可以抓取到需要的内容。相反，JavaScript实现的动态网页内容，无法从html源代码抓取需要的内容，必须先执行JavaScript。
我们在Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTML内容一文已经成功检验了动态网页内容的抓取方法，本文将实验程序进行改写，使用开源Python爬虫规定的标准python内容提取器，把代码变得非常简洁。
我们在多个文章说过本开源爬虫的目的：节省程序员的时间。关键是省去编写提取规则的时间，尤其调试规则很花时间，节省时间问题在1分钟快速生成用于网页内容提取的xslt一文已经有了解决方案，本文我们用京东网站作为测试目标，而电商网站都有很多动态内容，比如，产品价格和评论数等等，往往采用后加载的方式，在html源文档加载完成以后再执行javascript代码把动态内容填写上，所以，本案例主要验证动态内容的抓取。
另外，本文案例没有使用GooSeeker爬虫API，而是把MS谋数台生成的xslt脚本程序保存在本地文件中，在程序运行的时候把文件读出来注入到gsExtractor提取器。后续会有专门的案例演示 API的使用方法。
总之，本示例两个技术要点总结如下：
从本地文件读取xlst程序
把xlst注入到提取器gsExtractor中，利用xslt从网页上一次提取性多个字段内容。
# -*- coding:utf-8 -*- # 爬取京东商品列表， 以手机商品列表为例# 示例网址：http://list.
jd.com/list.html?cat=9987,653,655&page=1&JL=6_0_0&ms=5# crawler_jd_list.py#
版本: V1.0from urllib import requestfrom lxml import etreefrom selenium import
webdriverfrom gooseeker import gsExtractorimport timeclass Spider:
def __init__(self):
self.scrollpages = 0
self.waittime = 3
self.phantomjsPath = 'C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe'
def getContent(self, url):
browser = webdriver.PhantomJS( executable_path = self.phantomjsPath )
browser.get(url)
time.sleep(self.waittime)
html = browser.execute_script("return document.documentElement.outerHTML")
doc = etree.HTML(html)
jdlistExtra = gsExtractor()
jdlistExtra.setXsltFromFile("jd_list.xml")
output = jdlistExtra.extract(doc)
return output
def saveContent(self, filepath, content):
file_obj = open(filepath, 'w', encoding='UTF-8')
file_obj.write(content)
file_obj.close()url = 'http://list.jd.com/list.html?cat=9987,653,655&page=1&JL=
6_0_0&ms=5'jdspider = Spider()result = jdspider.getContent(url)jdspider.
saveContent('京东手机列表_1.xml', str(result))
源代码下载位置请看文章末尾的GitHub源。
运行上面的代码，就会爬取京东手机品类页面的所有手机型号、价格等信息，并保存到本地文件“京东手机列表_1.xml”中。我们用浏览器打开这个结果文件，会看到如下的内容：
1， Python即时网络爬虫项目: 内容提取器的定义
1. GooSeeker开源Python网络爬虫GitHub源
1.2016-06-06：V1.0
End.
作者：fullerhua （中国统计网特邀认证作者）
本文为中国统计网原创文章，需要转载请联系中国统计网（小编微信：itongjilove），转载时请注明作者及出处，并保留本文链接。
