每篇一句：
A strong man will struggle with the storms of fate.
前言：
上一篇文章中我们介绍了爬取动态网页的一种方式：逆向工程。
这种方式有一点美中不足：这种方式要求我们对JavaScript以及Ajax有一定的了解，而且当网页的JS代码混乱，难以分析的时候，上述过程会花费我们大量的时间和精力。
这时候，如果对爬虫的执行效率没有过多要求，又不想浪费太多时间在了解JavaScript代码逻辑、找寻Ajax请求链接上，我们可以尝试另一种方式——渲染动态网页 。
浏览器渲染引擎：
简介：
在介绍这种方式之前，我们需要首先了解一些浏览器渲染引擎的基本知识。
渲染引擎的职责就是渲染，即在浏览器窗口中显示所请求的内容。浏览器向服务器发送请求，得到服务器返回的资源文件后，经过需要渲染引擎的处理，将资源文件显示在浏览器窗口中。
目前使用较为广泛的渲染引擎有两种：
- webkit——使用者有Chrome, Safari
- Geoko——使用者有Firefox
渲染主流程：
- 渲染引擎首先通过网络获得所请求文档的内容，通常以8K分块的方式完成。
- 下面是渲染引擎在取得内容之后的基本流程：
解析html以构建dom树->构建render树->布局render树->绘制render树
- 渲染引擎开始解析html，并将标签转化为内容树中的dom节点。如果遇到JS，那么此时会启用单独连接进行下载，并且在下载后进行解析。
- 接着，它解析外部CSS文件及style标签中的样式信息。这些样式信息以及html中的可见性指令将被用来构建另一棵树——render树。
Render树由一些包含有颜色和大小等属性的矩形组成，它们将被按照正确的顺序显示到屏幕上。 - Render树构建好了之后，将会执行布局过程，它将确定每个节点在屏幕上的确切坐标。
- 再下一步就是绘制，即遍历render树，并使用UI后端层绘制每个节点。
想要了解更多有关浏览器渲染引擎的知识，可以阅读这些：
前端文摘：深入解析浏览器的幕后工作原理
浏览器加载、解析、渲染的过程
浏览器加载和渲染html的顺序-css渲染效率的探究
思考：
了解了浏览器渲染引擎的基本原理，我们可以发现：
- 当浏览器渲染引擎完成了dom树以及render树的构建之后，树中就已经包含了我们在浏览器窗口中可以看到的所有数据。
那么我们就有了一种爬取动态网页的新思路：
- 在浏览器渲染引擎执行
layout以及printing之前，得到dom树或者render树，从树中获取动态加载的数据。
渲染动态网页：
有两种选择：
- 自己从头实现一个浏览器渲染引擎，在合适的时机返回构建的
dom树或render树：
这需要进行大量的工作，需要考虑html、js、css等不同格式文件的解析方式以及解析顺序等。
本人参考以下资料进行了尝试，但最终没有成功，有兴趣的可以尝试下。
- 使用PyV8解析HTML 文档 （文中提到的demo可以从下面的链接得到）
- PyV8源码以及demo
- 利用已有的渲染引擎。
接下来将使用WebKit 渲染引擎，通过 PySide 这个python库可以获得该引擎的一个便捷接口。
示例：
还是以 新浪读书——书摘 为例，可以发现：页面中文章列表的部分是动态加载的。
使用PySide库进行处理的示例代码如下：
# coding=utf-8
from PySide.QtGui import *
from PySide.QtCore import *
from PySide.QtWebKit import *
if __name__ == '__main__':
url = "http://book.sina.com.cn/excerpt/rwws/"
app = QApplication([]) # 完成其他Qt对象之前，必须先创建该对象
webview = QWebView() # 该对象是Web 对象的容器
# 调用show方法显示窗口
# webview.show()
# 设置循环事件， 并等待网页加载完成
loop = QEventLoop()
webview.loadFinished.connect(loop.quit)
webview.load(QUrl(url))
loop.exec_()
frame = webview.page().mainFrame() # QWebFrame类有很多与网页交互的有用方法
# 得到页面渲染后的html代码
html = frame.toHtml()
print html通过print语句，我们可以发现：页面的源码html中已经包含了动态加载的内容。
- 与网站交互：
得到动态加载的内容后，需要解决的另一个问题是翻页问题。还好PySide库的QWebKit模块还有一个名为QWebFrame的类，支持很多与网页的交互操作。
- 如“点击”：
# 根据CSS Selector 找到所需“进行翻页”的元素
elem = frame.findFirstElement('#subShowContent1_loadMore')
# 点击：通过evaluateJavaScript()函数可以执行Js代码
elem.evaluateJavaScript('this.click()')- 除了点击事件，还可以进行填充表单，滚动窗口等操作
- 需要注意的是，在进行了翻页、或者获取更多内容时，一个最大的难点在于如何确定页面是否完成了加载，因为我们难以估计Ajax事件或者Js准备数据的时间。对于这个问题有两种解决思路：
- 等待固定的一段时间，比如
time.sleep(3)：这种方法容易实现，但效率较低。 - 轮询网页，等待特定内容出现：
这种方法虽然会在检查是否加载完成时浪费CPU周期，但更加可靠。
以下是一个简单的实现：
elem = None
while not elem:
app.processEvents()
elem = frame.findAllElemnets('#pattern')代码循环，直到出现特定元素。每次循环，调用app.processEvents()方法，用于给Qt事件循环执行任务的时间，比如响应点击事件。
更多有关PySide的内容请看这里：PySide官方文档
但是PySide毕竟是一个为了Python的GUI 编程而开发的， 其功能对于爬虫来说实在是太过于庞大，所以我们可以把爬虫经常使用的功能进行封装，来提升编写爬虫的效率。
对PySide 常用功能的封装 —— ghost.py
ghost.py 是目前一个针对爬虫且功能比较完善的PySide的封装模块，使用它可以很方便的进行数据采集。
还是以获取列表页中每篇文章详情页地址为目标，直接看示例代码：
# coding=utf-8
import re
import time
from ghost import Ghost, Session
class SinaBookSpider(object):
# 初始化相关参数
gh = Ghost()
ss = Session(gh, display=True) # 设置display为true, 方便调试
total = 1526 # 预先计算的总数据量
count = 0 # 已爬取的数据量
# 记录解析以及翻页位置
location = 0
click_times = 0
def run(self):
"""
开始爬虫
:return:
"""
# 打开网页
self.ss.open("http://book.sina.com.cn/excerpt/rwws/")
# 等待数据加载完成
self.ss.wait_for_selector('#subShowContent1_static > div:nth-child(20)')
self.parselist()
while self.count < self.total:
if self.click_times is 0:
# 点击加载更多
self.ss.click('#subShowContent1_loadMore')
# 每次翻页，或加载更多，要等待至加载完成
self.ss.wait_for_selector('#subShowContent1_static > div:nth-child(21)')
self.click_times += 1
self.parselist()
elif self.click_times is 1:
self.ss.click('#subShowContent1_loadMore')
self.ss.wait_for_selector('#subShowContent1_static > div:nth-child(41)')
self.click_times += 1
self.parselist()
elif self.click_times is 2:
self.ss.click('#subShowContent1_page .pagebox_next a')
self.ss.sleep(2)
self.click_times = 0
self.location = 0
self.parselist()
def parselist(self):
"""
解析列表页
:return:
"""
html = self.ss.content.encode('utf8')
# print html
pattern = re.compile(r'<div class="item"><h4><a href="(.*?)" target="_blank">', re.M)
links = pattern.findall(html)
for i in range(self.location, len(links)):
print links[i]
self.count += 1
self.location += 1
print self.count
if __name__ == '__main__':
spider = SinaBookSpider()
spider.run()补充：
ghost.py对直接获取元素支持的不是很好，但可以借助BeautifulSoup或正则表达式来解决。ghost.py支持与网页的简单交互，如点击，填充表单等
- set_field_value(*args, **kwargs)
- fill(*args, **kwargs)
- click(*args, **kwargs)ghost.py很好的解决了确定元素加载完成的问题，通过以下方法可以让爬虫等待，直到满足设置的条件。
- wait_for(condition, timeout_message, timeout=None)
- wait_for_page_loaded(timeout=None)
- wait_for_selector(selector, timeout=None)
- wait_for_text(text, timeout=None)
- wait_while_selector(selector, timeout=None)有关更多
ghost.py的方法请看这里：Ghost.py
文中有什么错误或不足之处，欢迎指出！
