python写的数据采集，对一般有规律的页面用 urllib2 + BeautifulSoup + 正则就可以搞定。 但是有些页面的内容是通过js生成，或者通过js跳转的，甚至js中还加入几道混淆机制；对这种涉及页面脚本解析的内容，前面的方式便很无力。

这时我们需要能解析、运行js的引擎——浏览器，而python selenium能提供程序与浏览器的交互接口，再加上phantomjs这个可以后台运行的浏览器，即使用 selenium + phantomjs 便可以解决以上的问题。

selenium可以操作页面的元素，并且提供执行js脚本的接口。但其调用js脚本后并不能直接返回执行的结果，这样再采集内容的过程中就会受到一些限制。 比如我们想使用页面中的函数进行数据转换，或者获取iframe里的内容，这些js产生数据要传回比较麻烦。

所以我便写一个简化js数据回传的扩展 exescript.py

#!/usr/bin/env python# -*- coding:utf-8 -*-## created by heqingpan_init_js="""(function (){if (window.__e){ return;}var e=document.createElement(‘div‘);e.setAttribute("id","__s_msg");e.style.display="none";document.body.appendChild(e);window.__e=e;})();window.__s_set_msg=function(a){    window.__e.setAttribute("msg",a.toString()||"");}"""_loadJsFmt="""var script = document.createElement(‘script‘);script.src = "http://www.mamicode.com/{0}";document.body.appendChild(script);"""_jquery_cdn="http://lib.sinaapp.com/js/jquery/1.7.2/jquery.min.js"_warpjsfmt="__s_set_msg({0})"class ExeJs(object):    def __init__(self,driver,trytimes=10):        from time import sleep        self.driver=driver        driver.execute_script(_init_js)        while trytimes >0:            try:                self.msgNode=driver.find_element_by_id(‘__s_msg‘)                break            except Exception:                sleep(1)                trytimes -= 1        if self.msgNode is None:            raise Exception()    def exeWrap(self,jsstr):        """ jsstr 执行后有返回值，返回值通过self.getMsg()获取 """        self.driver.execute_script(_warpjsfmt.format(jsstr))    def loadJs(self,path):        self.execute(_loadJsFmt.format(path))    def loadJquery(self,path=_jquery_cdn):        self.loadJs(path)    def execute(self,jsstr):        self.driver.execute_script(jsstr)    def getMsg(self):        return self.msgNode.get_attribute(‘msg‘)

打开ipython上一个例子，获取博客园首页文章title列表

from selenium import webdriverimport exescriptd=webdriver.PhantomJS("phantomjs")d.get("http://www.cnblogs.com/")exejs=exescript.ExeJs(d)exejs.exeWrap(‘$(".post_item").length‘)print exejs.getMsg()#out: """20"""jsstr="""(function(){var r=[];$(".post_item").each(function(){  var $this=$(this);  var $h3=$this.find("h3");  r.push($h3.text());});return r.join(‘,‘);})()"""exejs.exeWrap(jsstr)l=exejs.getMsg()for title in l.split(‘,‘):    print title#out:"""mac TeamTalk开发点点滴滴之一——DDLogic框架分解上The directfb backend was supported together with linux-fb backend in GTK+2.10Science上发表的超赞聚类算法功能齐全、效率一流的免费开源数据库导入导出工具（c#开发，支持SQL server、SQLite、ACCESS三种数据  库），每月借此处理数据5G以上企业级应用框架(三)三层架构之数据访问层的改进以及测试DOM的发布Unity3D 第一季 00 深入理解U3D开发平台Welcome to Swift (苹果官方Swift文档初译与注解二十一)---140~147页(第三章--集合类型)appium简明教程（11）——使用resource id定位SQL语句汇总(终篇）—— 表联接与联接查询fopen警告处理方式AndroidWear开发之HelloWorld篇AMD and CMD are dead之KMD.js版本0.0.2发布SQL语句汇总(三）——聚合函数、分组、子查询及组合查询DevExpress GridControl功能总结ASP.NET之Jquery入门级别2014年前端面试经历grunt源码解析：整体运行机制&grunt-cli源码解析跟用户沟通，问题尽量分析清楚，以及解决问题ASP.NET之Ajax系列（一）算法复杂度分析"""