Python爬虫如何获取JavaScript动态渲染后的网页内容？

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**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">requests</font>**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HTML
        rendered_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 launch

async 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HTML
    rendered_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**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">requests</font>**和**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">pyppeteer</font>**，适合简单动态页面。

示例代码

from requests_html import HTMLSession

session = 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

推荐选择：

• 优先使用 Playwright（速度快，API友好）。
• 如果需要兼容旧项目，可选择 Selenium。
• 小型爬虫可尝试 Requests-HTML。

结语

本文介绍了4种Python爬取JavaScript动态渲染内容的方法，并提供了完整代码示例。动态网页抓取的关键在于模拟浏览器行为，开发者可根据需求选择合适方案。未来，随着前端技术的发展，爬虫可能需要更智能的反反爬策略（如模拟用户行为、破解加密API等）。