# 动态网页爬虫

# Ajax是什么

AJAX(Asynchronouse JavaScript And XML)异步JavaScript和XML。过在后台与服务器进行少量数据交换,Ajax 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下,对网页的某部分进行更新。传统的网页(不使用Ajax)如果需要更新内容,必须重载整个网页页面。因为传统的在传输数据格式方面,使用的是XML语法。因此叫做AJAX,其实现在数据交互基本上都是使用JSON。使用AJAX加载的数据,即使使用了JS,将数据渲染到了浏览器中,在右键->查看网页源代码还是不能看到通过ajax加载的数据,只能看到使用这个url加载的html代码

# 获取Ajax数据的方式

  • 直接分析ajax调用的接口。然后通过代码请求这个接口
  • 使用 selenium + chromedriver 模拟浏览器行为获取数据
方式 优点 缺点
分析接口 直接可以请求到数据,不需要做任何解析工作,代码量少,性能高 分析接口比较复杂,特别是一些通过js混淆的接口,容易被发现是爬虫
selenium 直接模拟浏览器的行为,浏览器可以请求到的,使用 selenium 也能请求到,比较稳定 代码量多,性能低

# selenium + chromedriver 获取动态数据

selenium相当于是一个机器人,可以模拟人在浏览器上的一些行为,自动处理浏览器上的一些行为,比如点击,填充数据,删除cookie等

chromedriver是一个驱动chrome浏览器的驱动程序,使用他才可以驱动浏览器,针对不同的浏览器有不同的driver

# 安装 selenium + chromedriver

  • 安装selenium:selenium有很多语言的版本,有java、ruby、python等 pip install selenium
  • 安装chromedriver:下载和自己浏览器版本对应的文件,放到不需要权限的纯英文目录下就可以了

# 简单使用

以一个简单的获取百度首页的例子使用 selenium和chromedriver

from selenium import webdriver

# chromedriver的绝对路径
driver_path = r'D:\Program Files\chromedriver\chromedriver.exe'

# 初始化一个driver,并且指定chromedriver的路径
driver = webdriver.Chrome(executable_path=driver_path)

# 请求网页
driver.get('https://www.meowv.com/')

# 通过page_source获取网页源代码
print(driver.page_source)
1
2
3
4
5
6
7
8
9
10
11
12
13

# selenium 常用的操作

官方文档:https://selenium-python.readthedocs.io/installation.html#introduction (opens new window)

# 关闭页面

  • driver.close():关闭当前页面
  • driver.quit():退出整个浏览器

# 定位元素

  • find_element_by_id:根据id来查找某个元素
submitTag = driver.find_element_by_id('su')
submitTag1 = driver.find_element(By.ID,'su')
1
2
  • find_element_by_class_name:根据类名查找元素
submitTag = driver.find_element_by_class_name('su')
submitTag1 = driver.find_element(By.CLASS_NAME,'su')
1
2
  • find_element_by_name:根据name属性的值来查找元素
submitTag = driver.find_element_by_name('email')
submitTag1 = driver.find_element(By.NAME,'email')
1
2
  • find_element_by_tag_name:根据标签名来查找元素
submitTag = driver.find_element_by_tag_name('div')
submitTag1 = driver.find_element(By.TAG_NAME,'div')
1
2
  • find_element_by_xpath:根据xpath语法来获取元素
submitTag = driver.find_element_by_xpath('//div')
submitTag1 = driver.find_element(By.XPATH,'//div')
1
2
  • find_element_by_css_selector:根据css选择器选择元素
submitTag = driver.find_element_by_css_selector('//div')
submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')
1
2
  • find_element 是获取第一个满足条件的元素
  • find_elements 是获取所有满足条件的元素

# 操作表单元素

  • 操作输入框:分为两步。第一步:找到这个元素。第二步:使用send_keys(value),将数据填充进去
inputTag = driver.find_element_by_id('kw')
inputTag.send_keys('python')
1
2

使用clear方法可以清除输入框中的内容 inputTag.clear()

  • 操作checkbox:因为要选中checkbox标签,在网页中是通过鼠标点击的。因此想要选中checkbox标签,那么先选中这个标签,然后执行click事件
rememberTag = driver.find_element_by_name("rememberMe")
rememberTag.click()
1
2
  • 选择select:select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中,创建这个对象。以后就可以使用这个对象进行选择了
from selenium.webdriver.support.ui import Select
# 选中这个标签,然后使用Select创建对象
selectTag = Select(driver.find_element_by_id("city-select"))
# 根据索引选择
selectTag.select_by_index(1)
# 根据值选择
selectTag.select_by_value("https://news.hao123.com/wangzhi")
# 根据可视的文本选择
selectTag.select_by_visible_text("上海")
# 取消选中所有选项
selectTag.deselect_all()
1
2
3
4
5
6
7
8
9
10
11
  • 操作按钮:操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了
inputTag = driver.find_element_by_id('su')
inputTag.click()
1
2

# 行为链

有时候在页面中的操作可能要有很多步,那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件

inputTag = driver.find_element_by_id('kw')
submitTag = driver.find_element_by_id('su')

actions = ActionChains(driver)
actions.move_to_element(inputTag)
actions.send_keys_to_element(inputTag,'python')
actions.move_to_element(submitTag)
actions.click(submitTag)
actions.perform()
1
2
3
4
5
6
7
8
9

还有更多的鼠标相关的操作

# Cookie操作

  • 获取所有的cookie
for cookie in driver.get_cookies():
    print(cookie)
1
2

-根据cookie的key获取value

value = driver.get_cookie(key)
1
  • 删除所有的cookie:
driver.delete_all_cookies()
1
  • 删除某个cookie:
driver.delete_cookie(key)
1

# 页面等待

现在的网页越来越多采用了 Ajax 技术,这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来,但是你的代码直接使用了这个WebElement,那么就会抛出NullPointer的异常。为了解决这个问题。所以 selenium 提供了两种等待方式:一种是隐式等待、一种是显式等待。

  • 隐式等待:调用driver.implicitly_wait。那么在获取不可用的元素之前,会先等待10秒中的时间。
driver = webdriver.Chrome(executable_path=driver_path)
driver.implicitly_wait(10)
# 请求网页
driver.get("https://www.douban.com/")
1
2
3
4
  • 显示等待:显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间,如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成.
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By

driver_path = r'D:\Program Files\chromedriver\chromedriver.exe'
driver = webdriver.Chrome(executable_path=driver_path)

driver.get('https://www.douban.com/')
driver.implicitly_wait(20)

element = WebDriverWait(driver, 10).until(
    EC.presence_of_element_located((By.NAME, 'phone'))
)
print(element)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

# 切换页面

有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。selenium提供了一个叫做switch_to_window来进行切换,具体切换到哪个页面,可以从driver.window_handles中找到。

# 打开一个新的页面
self.driver.execute_script("window.open('"+url+"')")
# 切换到这个新的页面中
self.driver.switch_to_window(self.driver.window_handles[1])
1
2
3
4

# 设置代理ip

有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip,不同的浏览器有不同的实现方式。这里以Chrome浏览器为例

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://132.232.126.92:8888")
driver_path = r"D:\Program Files\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)

driver.get('http://httpbin.org/ip')
1
2
3
4
5
6
7
8

# WebElement元素

from selenium.webdriver.remote.webelement import WebElement类是每个获取出来的元素的所属类,它有一些常用的属性

  • get_attribute:这个标签的某个属性的值
  • screentshot:获取当前页面的截图,这个方法只能在driver上使用,driver的对象类,是继承自WebElement