使用PyV8解析HTML文档

发表于 5年以前  | 总阅读数:1795 次

什么是PyV8?

PyV8是一个Python封装V8引擎的壳。它提供了简单可用的API,能够利用python来构建出JavaScript的运行时环境。

PyV8能用来干什么?

在nodejs火热流行的时代,或许很少人关注这个基于python简单封装的v8引擎。在某些方面,它比nodejs简洁,而它们拥有同样的本质基础,使得它具有和nodejs相似的潜力。

既然是基于v8的,那么利用它来解析dom和执行javascript是理所当然的。试想一下,如果我们能够建立一个系统把html文档结构解析成w3c dom树,那么我们就可以在上面运行任何javascript,使得这个系统事实上成为一个浏览器(尽管缺少渲染和显示的部分)。

不过,pyv8提供的是纯js运行环境,因此,要解析html文档,还需要为它构建出w3c dom以及浏览器的环境。实现dom和浏览器接口毫无疑问是件力气活,幸运的是,pyv8的官方demo中为我们做了80%以上的工作,提供了w3c.py和browser.py的支持!我们所要做的是在这基础上做一些基本的修改。

好吧,让我们来实践一下:

首先我们构建一个基本的js运行环境,参考commonjs的api实现js基础的模块加载和执行。这一部分还不涉及dom和浏览器,基本上是js原生环境。

import os, re, platform
    from PyV8 import JSContext, JSError

    from logger import logger

    class CommonJS():
        _js_path = [os.path.dirname(__file__), os.path.join(os.path.dirname(__file__),"core")]
        _js_logger = logger().instance()

        def __init__(self):
            self._js_threadlock = False
            self._js_ctx = JSContext(self)
            self._js_modules = {}
            self._loaded_modules = {}

            for jsroot in CommonJS._js_path:
                for (root, dirs, files) in os.walk(jsroot):
                    for _file in files:
                        m = re.compile("(.*)\.js$").match(_file)
                        relpath = os.path.relpath(root, jsroot)
                        namespace = re.sub(r"^\.", "", relpath)
                        namespace = re.sub(r"^\\", "/", namespace)
                        if(namespace):
                            namespace = namespace + "/"
                        if(m):
                            self._js_modules.update({namespace + m.group(1) : os.path.join(root,_file)})

            self.execute("var exports;");               

        @classmethod
        def append(path):
            if(path not in CommonJS._js_path):
                CommonJS._js_path.append(path)

        def require(self, module):
            if(not self._js_modules.has_key(module)):
                raise Exception, "unknown module `" + module + "`"
            path = self._js_modules[module]

            if(not self._loaded_modules.has_key(path)):
                self._js_logger.info("loading module <%s>...", module)
                code = file(path).read()
                try:
                    code = code.decode("utf-8")
                    if(platform.system() == "Windows"):
                        code = code.encode("utf-8")
                    self._js_ctx.eval(code)
                except JSError, ex:
                    self._js_logger.error(ex)
                    self._js_logger.debug(ex.stackTrace)
                    raise Exception, ex
                self._loaded_modules[path] = self._js_ctx.locals.exports
                return self._loaded_modules[path]
            else:
                return self._loaded_modules[path]

        def execute(self, code, args = []):
            self._js_ctx.enter()

            # use lock while jscode executing to make mutil-thread work
            while self._js_threadlock:
                pass
            self._js_threadlock = True
            try:
                if(isinstance(code, basestring)):
                    code = code.decode("utf-8")
                    if(platform.system() == "Windows"):
                        code = code.encode("utf-8")
                    r = self._js_ctx.eval(code)
                else:
                    r = apply(code, args)
                return r
            except JSError, ex:
                self._js_logger.error(ex)
                self._js_logger.debug(ex.stackTrace)
                raise Exception, ex
            finally:
                self._js_threadlock = False
                self._js_ctx.leave()

好了,我们可以测试一下:

from commonjs import CommonJS
    ctx = CommonJS()
    ctx.append("/my/js/path")
    print ctx.execute("require("base"); QW.provide("Test",{}); exports = QW.Test");

结果是 [JSObject]

在这基础上,我们进一步实现整个运行时环境和一些内置方法:

#JavaScript HTML Context for PyV8

    from PyV8 import JSClass
    from logger import logger
    import re, threading, hashlib

    import urllib,urllib2

    from w3c import parseString, Document, HTMLElement
    from commonjs import CommonJS

    import browser

    from StringIO import StringIO
    import gzip

    class JSR(CommonJS, browser.HtmlWindow):
        def __init__(self, url_or_dom, charset=None, headers={}, body={}, timeout=2):
            urllib2.socket.setdefaulttimeout(timeout)
            jsonp = False

            if(isinstance(url_or_dom, Document)):
                url = "localhost:document"
                dom = url_or_dom

            elif(url_or_dom.startswith("<")):
                url = "localhost:string"
                dom = parseString(url_or_dom)

            else: #url
                url = url_or_dom
                if(not re.match(r"\w+\:\/\/", url)):
                    url = "http://" + url

                request = urllib2.Request(url, urllib.urlencode(body), headers=headers) 
                response = urllib2.urlopen(url)

                contentType = response.headers.get("Content-Type")

                if(contentType):
                    #print contentType
                    t = re.search(r"x-javascript|json", contentType)
                    if(t):
                        jsonp = True
                    m = re.match(r"^.*;\s*charset=(.*)$", contentType)
                    if(m):
                        charset = m.group(1) 
                    #print charset

                if(not charset):
                    charset = "utf-8" #default charset
                    # guess charset from httpheader

                html = response.read()
                encoding = response.headers.get("Content-Encoding")

                if(encoding and encoding == "gzip"):
                    buf = StringIO(html)
                    f = gzip.GzipFile(fileobj=buf)
                    html = f.read()   

                self.__html__ = html
                html = unicode(html, encoding=charset, errors="ignore")
                dom = parseString(html)   

            navigator = browser.matchNavigator(headers.get("User-Agent") or "")

            browser.HtmlWindow.__init__(self, url, dom, navigator)
            CommonJS.__init__(self)

            self.console = JSConsole(self._js_logger)

            for module in "base, array.h, function.h, helper.h, object.h, string.h, date.h, custevent, selector, dom_retouch".split(","):
                self.execute(self.require, [module.strip()])

            if(jsonp):
                code = "window.data=" + html.encode("utf-8")
                self.execute(code)
                #print code

            self._js_logger.info("JavaScript runtime ready.")

        _js_timer_map = {}

        def _js_execTimer(self, id, callback, delay, repeat = False):
            code = "(function f(){ _js_timers[" + str(id) + "][1].code();"
            if(repeat):
                code = code + "_js_execTimer(" + str(id) + ", f, " + str(delay) + ", true);"
            code = code + "})();"

            #thread locking
            self._js_timer_map[id] = threading.Timer(delay / 1000.0, lambda: self.execute(code))
            self._js_timer_map[id].start()

        def setTimeout(self, callback, delay):
            timerId = super(JSR, self).setTimeout(callback, delay)
            self._js_execTimer(timerId, callback, delay, False)
            return timerId

        def clearTimeout(self, timerId):
            if(timerId in self._js_timer_map):
                self._js_timer_map[timerId].cancel()
                self._js_timer_map[timerId] = None
                super(JSR, self).clearTimeout(timerId)

        def setInterval(self, callback, delay):
            timerId = super(JSR, self).setInterval(callback, delay)
            self._js_execTimer(timerId, callback, delay, True)
            return timerId       

        def clearInterval(self, timerId):
            if(timerId in self._js_timer_map):
                self._js_timer_map[timerId].cancel()
                self._js_timer_map[timerId] = None
                super(JSR, self).clearTimeout(timerId)

        def md5(self, str):
            return hashlib.md5(str).hexdigest()

    class JSConsole(JSClass):
        def __init__(self, logger):
            self._js_logger = logger
        def log(self, msg):
            self._js_logger.info(str(msg).decode("utf-8"))

到此为止,一个简单的运行时环境就实现了。

使用方法:

from jsruntime import JSR

    rt = JSR("www.baidu.com")
    rt.execute("alert(document.title)") #结果是"百度一下,你就知道"
    rt.execute("document.querySelector("body div")") #获得body下匹配的第一个div
    ...

利用它,你就可以用js来处理抓取的页面元素,甚至通过运行页面上的js来获取动态加载的内容,只要继续扩展,可以用它来实现一个相当不错的页面内容采集服务,而采集规则,不再只能是简单的正则,而是可以用js像处理任何动态网页那样来处理抓取的页面。

有兴趣滴童鞋可以研究下,pyv8的潜力还是很大的,大家一起期待一下~

 相关推荐

刘强东夫妇:“移民美国”传言被驳斥

京东创始人刘强东和其妻子章泽天最近成为了互联网舆论关注的焦点。有关他们“移民美国”和在美国购买豪宅的传言在互联网上广泛传播。然而,京东官方通过微博发言人发布的消息澄清了这些传言,称这些言论纯属虚假信息和蓄意捏造。

发布于:1年以前  |  808次阅读  |  详细内容 »

博主曝三大运营商,将集体采购百万台华为Mate60系列

日前,据博主“@超能数码君老周”爆料,国内三大运营商中国移动、中国电信和中国联通预计将集体采购百万台规模的华为Mate60系列手机。

发布于:1年以前  |  770次阅读  |  详细内容 »

ASML CEO警告:出口管制不是可行做法,不要“逼迫中国大陆创新”

据报道,荷兰半导体设备公司ASML正看到美国对华遏制政策的负面影响。阿斯麦(ASML)CEO彼得·温宁克在一档电视节目中分享了他对中国大陆问题以及该公司面临的出口管制和保护主义的看法。彼得曾在多个场合表达了他对出口管制以及中荷经济关系的担忧。

发布于:1年以前  |  756次阅读  |  详细内容 »

抖音中长视频App青桃更名抖音精选,字节再发力对抗B站

今年早些时候,抖音悄然上线了一款名为“青桃”的 App,Slogan 为“看见你的热爱”,根据应用介绍可知,“青桃”是一个属于年轻人的兴趣知识视频平台,由抖音官方出品的中长视频关联版本,整体风格有些类似B站。

发布于:1年以前  |  648次阅读  |  详细内容 »

威马CDO:中国每百户家庭仅17户有车

日前,威马汽车首席数据官梅松林转发了一份“世界各国地区拥车率排行榜”,同时,他发文表示:中国汽车普及率低于非洲国家尼日利亚,每百户家庭仅17户有车。意大利世界排名第一,每十户中九户有车。

发布于:1年以前  |  589次阅读  |  详细内容 »

研究发现维生素 C 等抗氧化剂会刺激癌症生长和转移

近日,一项新的研究发现,维生素 C 和 E 等抗氧化剂会激活一种机制,刺激癌症肿瘤中新血管的生长,帮助它们生长和扩散。

发布于:1年以前  |  449次阅读  |  详细内容 »

苹果据称正引入3D打印技术,用以生产智能手表的钢质底盘

据媒体援引消息人士报道,苹果公司正在测试使用3D打印技术来生产其智能手表的钢质底盘。消息传出后,3D系统一度大涨超10%,不过截至周三收盘,该股涨幅回落至2%以内。

发布于:1年以前  |  446次阅读  |  详细内容 »

千万级抖音网红秀才账号被封禁

9月2日,坐拥千万粉丝的网红主播“秀才”账号被封禁,在社交媒体平台上引发热议。平台相关负责人表示,“秀才”账号违反平台相关规定,已封禁。据知情人士透露,秀才近期被举报存在违法行为,这可能是他被封禁的部分原因。据悉,“秀才”年龄39岁,是安徽省亳州市蒙城县人,抖音网红,粉丝数量超1200万。他曾被称为“中老年...

发布于:1年以前  |  445次阅读  |  详细内容 »

亚马逊股东起诉公司和贝索斯,称其在购买卫星发射服务时忽视了 SpaceX

9月3日消息,亚马逊的一些股东,包括持有该公司股票的一家养老基金,日前对亚马逊、其创始人贝索斯和其董事会提起诉讼,指控他们在为 Project Kuiper 卫星星座项目购买发射服务时“违反了信义义务”。

发布于:1年以前  |  444次阅读  |  详细内容 »

苹果上线AppsbyApple网站,以推广自家应用程序

据消息,为推广自家应用,苹果现推出了一个名为“Apps by Apple”的网站,展示了苹果为旗下产品(如 iPhone、iPad、Apple Watch、Mac 和 Apple TV)开发的各种应用程序。

发布于:1年以前  |  442次阅读  |  详细内容 »

特斯拉美国降价引发投资者不满:“这是短期麻醉剂”

特斯拉本周在美国大幅下调Model S和X售价,引发了该公司一些最坚定支持者的不满。知名特斯拉多头、未来基金(Future Fund)管理合伙人加里·布莱克发帖称,降价是一种“短期麻醉剂”,会让潜在客户等待进一步降价。

发布于:1年以前  |  441次阅读  |  详细内容 »

光刻机巨头阿斯麦:拿到许可,继续对华出口

据外媒9月2日报道,荷兰半导体设备制造商阿斯麦称,尽管荷兰政府颁布的半导体设备出口管制新规9月正式生效,但该公司已获得在2023年底以前向中国运送受限制芯片制造机器的许可。

发布于:1年以前  |  437次阅读  |  详细内容 »

马斯克与库克首次隔空合作:为苹果提供卫星服务

近日,根据美国证券交易委员会的文件显示,苹果卫星服务提供商 Globalstar 近期向马斯克旗下的 SpaceX 支付 6400 万美元(约 4.65 亿元人民币)。用于在 2023-2025 年期间,发射卫星,进一步扩展苹果 iPhone 系列的 SOS 卫星服务。

发布于:1年以前  |  430次阅读  |  详细内容 »

𝕏(推特)调整隐私政策,可拿用户发布的信息训练 AI 模型

据报道,马斯克旗下社交平台𝕏(推特)日前调整了隐私政策,允许 𝕏 使用用户发布的信息来训练其人工智能(AI)模型。新的隐私政策将于 9 月 29 日生效。新政策规定,𝕏可能会使用所收集到的平台信息和公开可用的信息,来帮助训练 𝕏 的机器学习或人工智能模型。

发布于:1年以前  |  428次阅读  |  详细内容 »

荣耀CEO谈华为手机回归:替老同事们高兴,对行业也是好事

9月2日,荣耀CEO赵明在采访中谈及华为手机回归时表示,替老同事们高兴,觉得手机行业,由于华为的回归,让竞争充满了更多的可能性和更多的魅力,对行业来说也是件好事。

发布于:1年以前  |  423次阅读  |  详细内容 »

AI操控无人机能力超越人类冠军

《自然》30日发表的一篇论文报道了一个名为Swift的人工智能(AI)系统,该系统驾驶无人机的能力可在真实世界中一对一冠军赛里战胜人类对手。

发布于:1年以前  |  423次阅读  |  详细内容 »

AI生成的蘑菇科普书存在可致命错误

近日,非营利组织纽约真菌学会(NYMS)发出警告,表示亚马逊为代表的电商平台上,充斥着各种AI生成的蘑菇觅食科普书籍,其中存在诸多错误。

发布于:1年以前  |  420次阅读  |  详细内容 »

社交媒体平台𝕏计划收集用户生物识别数据与工作教育经历

社交媒体平台𝕏(原推特)新隐私政策提到:“在您同意的情况下,我们可能出于安全、安保和身份识别目的收集和使用您的生物识别信息。”

发布于:1年以前  |  411次阅读  |  详细内容 »

国产扫地机器人热销欧洲,国产割草机器人抢占欧洲草坪

2023年德国柏林消费电子展上,各大企业都带来了最新的理念和产品,而高端化、本土化的中国产品正在不断吸引欧洲等国际市场的目光。

发布于:1年以前  |  406次阅读  |  详细内容 »

罗永浩吐槽iPhone15和14不会有区别,除了序列号变了

罗永浩日前在直播中吐槽苹果即将推出的 iPhone 新品,具体内容为:“以我对我‘子公司’的了解,我认为 iPhone 15 跟 iPhone 14 不会有什么区别的,除了序(列)号变了,这个‘不要脸’的东西,这个‘臭厨子’。

发布于:1年以前  |  398次阅读  |  详细内容 »
 相关文章
为Electron程序添加运行时日志 5年以前  |  20320次阅读
Node.js下通过配置host访问URL 5年以前  |  5886次阅读
用 esbuild 让你的构建压缩性能翻倍 4年以前  |  5773次阅读
 目录