当前位置：首页 > java >正文

Python爬虫如何获取JavaScript动态渲染后的网页内容？

java 2025/5/13 7:30:57

1. 引言

在现代Web开发中，许多网站采用JavaScript动态渲染技术（如React、Vue、Angular等框架）来加载数据，传统的HTTP请求（如Python的**requests**库）只能获取初始HTML，而无法捕获JS执行后的内容。因此，爬取这类动态网页需要模拟浏览器行为，等待JavaScript执行完成后再提取数据。

本文将介绍几种主流方法，包括：

Selenium（自动化浏览器操作）
Playwright（新一代浏览器自动化工具）
Pyppeteer（Python版Puppeteer）
Requests-HTML（轻量级HTML解析库）

并提供详细的代码实现，帮助开发者高效抓取动态渲染的网页内容。

方法1：使用Selenium获取动态内容

Selenium是一个自动化测试工具，可控制浏览器（如Chrome、Firefox）加载完整页面。

示例代码

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
import time# 配置Chrome无头模式
chrome_options = Options()
chrome_options.add_argument("--headless")  # 无界面运行
chrome_options.add_argument("--disable-gpu")# 指定ChromeDriver路径
service = Service(executable_path="/path/to/chromedriver")
driver = webdriver.Chrome(service=service, options=chrome_options)# 访问目标网页
url = "https://example.com"
driver.get(url)# 等待JS执行（可替换为显式等待）
time.sleep(3)  # 简单等待，实际建议使用WebDriverWait# 获取渲染后的HTML
rendered_html = driver.page_source
print(rendered_html)  # 包含JS动态加载的内容# 提取特定元素
element = driver.find_element(By.CSS_SELECTOR, "div.dynamic-content")
print(element.text)# 关闭浏览器
driver.quit()

优缺点

优点：支持所有主流浏览器，适合复杂交互（如点击、滚动）。
缺点：速度较慢，占用资源多。

方法2：使用Playwright（推荐）

Playwright是微软推出的新一代浏览器自动化工具，比Selenium更快且更稳定。

示例代码

from playwright.sync_api import sync_playwright# 代理配置
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"with sync_playwright() as p:# 启动Chromium浏览器并配置代理browser = p.chromium.launch(headless=True,  # 无头模式proxy={"server": f"http://{proxyHost}:{proxyPort}","username": proxyUser,"password": proxyPass,})# 创建新页面page = browser.new_page()try:# 访问网页并等待加载page.goto("https://example.com", timeout=10000)  # 增加超时设置page.wait_for_selector("div.dynamic-content")  # 等待目标元素出现# 获取渲染后的HTMLrendered_html = page.content()print(rendered_html)# 提取数据element = page.query_selector("div.dynamic-content")if element:print(element.inner_text())else:print("目标元素未找到")except Exception as e:print(f"发生错误: {e}")finally:# 确保浏览器关闭browser.close()

优缺点

优点：速度快，支持多浏览器（Chromium、Firefox、WebKit），API更现代化。
缺点：较新，社区资源略少于Selenium。

方法3：使用Pyppeteer（Python版Puppeteer）

Pyppeteer是基于Chrome DevTools Protocol的Python库，适合高效抓取动态内容。

示例代码

import asyncio
from pyppeteer import launchasync def fetch_rendered_html():# 启动浏览器browser = await launch(headless=True)page = await browser.newPage()# 访问网页await page.goto("https://example.com")await page.waitForSelector("div.dynamic-content")  # 等待元素加载# 获取HTMLrendered_html = await page.content()print(rendered_html)# 提取数据element = await page.querySelector("div.dynamic-content")text = await page.evaluate("(element) => element.textContent", element)print(text)# 关闭浏览器await browser.close()# 运行异步任务
asyncio.get_event_loop().run_until_complete(fetch_rendered_html())

优缺点

优点：轻量级，直接控制Chrome，适合高性能爬取。
缺点：仅支持Chromium，异步编程可能增加复杂度。

方法4：使用Requests-HTML（轻量级方案）

Requests-HTML结合了**requests**和**pyppeteer**，适合简单动态页面。

示例代码

from requests_html import HTMLSessionsession = HTMLSession()
url = "https://example.com"# 渲染JS
response = session.get(url)
response.html.render(timeout=20)  # 等待JS执行# 获取渲染后的HTML
rendered_html = response.html.html
print(rendered_html)# 提取数据
element = response.html.find("div.dynamic-content", first=True)
print(element.text)

优缺点

优点：API简单，适合小型爬虫。
缺点：功能有限，不适合复杂页面。

总结与选择建议

方法	适用场景	速度	复杂度
Selenium	需要兼容多种浏览器	慢	中等
Playwright	高性能、现代浏览器自动化	快	低
Pyppeteer	直接控制Chrome	快	中高
Requests-HTML	轻量级动态渲染	中	低