良多网站为了避免用户的隐私信息(德律风、手机、邮箱等)被爬虫抓取,对这些信息作了特别处置。例如,采取JS输出、采取Ajax动态加载、以图片的情势显示等等。
此中最为常见的就是采取JS输出,这类方式实现的本钱最低,一样也最好被抓取。
例如这个页面:
http://www.tripadvisor.com/Hotel_Review-g34859-d1526306-Reviews-Holiday_Inn_Express_Hotel_Suites-Columbus_Georgia.html

德律风号码是采取JS输出的,JS代码以下:
<script>
<!--
function escramble_751(){
var a,b,c
a='877'
b='-5'
a+='-85'
b+='095'
c='9'
document.write(a+c+b)
}
escramble_751()
//-->
</script>
PS: 更BT的是这个函数名“escramble_751()”仍是不竭转变的。
不外操纵壮大的字符串匹配东西“正则表达式”,仍是可以很便利地将其提掏出来的:
# Python code
phone_re = re.compile("a='([ +-d]+?)'.*?b='([ +-d]+?)'.*?a+='([ +-d]+?)'.*?b+='([ +-d]+?)'.*?c='([ +-d]+?)'", re.DOTALL)
match = phone_re.search(html)
if match:
a, b, c, d, e = match.groups()
telephone = a + c + e + b + d
else:
telephone = None