javascript - 使用 Python 抓取 javascript 生成的页面

Question

我需要获取 https://hasjob.co/ 的一些信息，我可以像往常一样通过登录页面和抓取来抓取一些信息，但大多数信息只有当你向下滚动到页面底部时才由 Javascript 生成。

有没有使用python的解决方案？

import mechanize
import cookielib
from bs4 import BeautifulSoup
import html2text

import pprint

job = []

# Browser
br = mechanize.Browser()

# Cookie Jar
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)

# Browser options
br.set_handle_equiv(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

br.addheaders = [('User-agent', 'Chrome')]

# The site we will navigate into, handling it's session
br.open('https://auth.hasgeek.com/login')

# View available forms
##for f in br.forms():
##    print f

# Select the second (index one) form (the first form is a search query box)
br.select_form(nr=1)

# User credentials
br.form['username'] = 'username'
br.form['password'] = 'pass'

br.submit()

##print(br.open('https://hasjob.co/').read())

r = br.open('https://hasjob.co/')


soup = BeautifulSoup(r)


for tag in soup.find_all('span',attrs={'class':'annotation bottom-right'}):

    p = tag.text
    job.append(p)


pp = pprint.PrettyPrinter(depth=6)

pp.pprint(job)

Answer 1

出于某种原因，几乎没有人注意到 Hasjob 有 Atom feed 并且它是从主页链接的。使用 feedparser library 从 Hasjob 读取结构化数据很简单:

import feedparser
feed = feedparser.parse('https://hasjob.co/feed')
for job in feed.entries:
    print job.title, job.link, job.published, job.content

提要过去 30 天是满的，但现在有超过 800 个条目，并且服务器上有相当大的负载，因此我将其减少到最后 24 小时的作业。如果您想要定期获得工作帮助，只需每天至少从该 URL 加载一次即可。