Python利用Phantomjs抓取渲染JS后的網頁

最近需要爬取某網站，無奈頁面都是JS渲染后生成的，普通的爬蟲框架搞不定，于是想到用Phantomjs搭一個代理。
Python調用Phantomjs貌似沒有現成的第三方庫（如果有，請告知小2），漫步了一圈，發現只有pyspider提供了現成的方案。
簡單試用了一下，感覺pyspider更像一個為新手打造的爬蟲工具，好比一個老媽子，有時無微不至，有時喋喋不休。 輕巧的小工具應該更受人喜愛，我也懷著一點私心，可以帶著我最愛的BeautifulSoup一塊兒用，而不用再學PyQuery（pyspider用來解析HTML），更不用忍受瀏覽器寫Python的糟糕體驗（偷笑）。
所以花了一個下午的時間，把pyspider當中實現Phantomjs代理的部分拆了出來，獨立成一個小的爬蟲模塊，希望大家會喜歡（感謝binux！）。

準備工作

• 你當然要有Phantomjs，廢話！（Linux下最好用supervisord守護，必須保持抓取的時候Phantomjs一直處于開啟狀態）
• 用項目路徑下的phantomjs_fetcher.js啟動：phantomjs phantomjs_fetcher.js [port]
• 安裝tornado依賴（使用了tornado的httpclient模塊）

調用是超級簡單的

from tornado_fetcher import Fetcher

# 創建一個爬蟲
>>> fetcher=Fetcher(
    user_agent='phantomjs', # 模擬瀏覽器的User-Agent
    phantomjs_proxy='http://localhost:12306', # phantomjs的地址
    poolsize=10, # 最大的httpclient數量
    async=False # 同步還是異步
    )
# 開始連接Phantomjs的代碼，可以渲染JS！
>>> fetcher.fetch(url)
# 渲染成功后執行額外的JS腳本（注意用function包起來！）
>>> fetcher.fetch(url, js_script='function(){setTimeout("window.scrollTo(0,100000)}", 1000)')

老規矩，代碼在小2的Github了，歡迎指正：PhantomjsFetcher

來自：建造者說