python基础[12]——动态渲染页面爬取（selenium）

动态渲染页面爬取

JavaScript动态渲染页面，他的分页部分有js生成，并不是原始的HTML代码

如淘宝使用request只能请求到页面大体框架，没法拿到商品数据，或部分网站换页时url不发生变化。

或者使用Ajax开发的网站（现在日头条），他的接口有不少加密处理（搜索信息后信息URL通过加密处理，很难找到规律）

Python中提供了不少模拟浏览器的库，selenium ，pyV8等，来解决动态渲染的页面。

selenium的使用

selenium是一个自动化测试工具，利用它能够驱动浏览器执行特定的动做，如点击、下拉等操做。同时也能够获取浏览器当前呈现的页面渲染，作到可见便可爬。用于动态页面爬取（通过js渲染的页面）

准备工做

以谷歌浏览器为例，了解selenium的使用

1. 须要安装好谷歌浏览器，并配置好ChromeDriver

2. 先去谷歌浏览器看版本，下载Chromedriver：http://chromedriver.storage.googleapis.com/index.html

3. 配置环境变量：将下载好的可执行文件放入python的Scripts目录下，添加至环境变量

4. 验证：在cmd中执行ChromeDriver，会返回版本号

安装selecnium库

解决安装报错问题：https://blog.csdn.net/ever_peng/article/details/80089095

from selenium import webdriver
brower = webdriver.Chrome()
#打开一个新的Crome页面则环境配置成功

基本使用

from selenium import webdriver#用于打开浏览器
from selenium.webdriver.support.wait import WebDriverWait#用于设置等待时间
from selenium.webdriver.common.keys import Keys#用于按键操做
from selenium.webdriver.common.by import By#用于匹配节点
from selenium.webdriver.support import expected_conditions as EC#用于等待时判断节点是否加载，若是没有，继续在规定的时间加载
#打开谷歌浏览器
brower = webdriver.Chrome()
try:
    #请求百度网站
    brower.get('https://www.baidu.com')
    #获取ID属性为kw的节点，用于输入要搜索的信息
    input = brower.find_element_by_id('kw')
    #在搜索框输入python
    input.send_keys('python')
    input.send_keys(Keys.ENTER)#keys是获取键盘的按键至关于一个回车操做
    wait = WebDriverWait(brower,10)#等待页面加载
    #判断页面是否响应到id属性为content_left的内容
    #写的时候是以元组形式 注意括号的个数
    wait.until(EC.presence_of_element_located((By.ID, 'content_left')))

finally:
    #关闭浏览器
	#brower.close()
    pass

声明浏览器对象

selenium支持多种浏览器，如chrome Firefox 也支持无界面的浏览器，如PhantomJS

from selenium import webdriver
brower = webdriver.Chrome()#谷歌
brower = webdriver.Firefox ()#火狐
brower = webdriver.PhantomJS()#phantomJS
#完成浏览器对象的初始化并将其赋值为brower这个对象。由此调用broweer对象，让浏览器执行对应的操做。

访问页面

使用get()方法来请求网页，参数传输连接url便可，如get方法访问淘宝页面，打印源代码

from selenium import webdriver

brower = webdriver.Chrome()
brower.get('https://www.taobao.com')
#获取响应到的网页源码
print(brower.page_source)

查找节点

selenium能够驱动浏览器完成各类操做，如填充表格、模拟点击等操做，如向某个输入框输入文本操做

单个节点

根据xpath css选择器进行选择

#获取id属性为“q”的节点
input_1 = brower.find_element_by_id('q')
input_2 = brower.find_element_by_css_selector('#q')
input_3 = brower.find_element_by_xpath('//*[@id='q']')
print(input_1)
print(type(input_1))
#<selenium.webdriver.remote.webelement.WebElement (session="af859fdfb659b14f954adaec944bb0ef", element="0.7941017431137989-1")>
#<class 'selenium.webdriver.remote.webelement.WebElement'>
返回结果为webElement类型

全部获取单个节点的方法

browser.find_element_by_id
browser.find_element_by_name
browser.find_element_by_class_name
#使用class_name匹配节点时，若是该节点class属性有多个值时，只须要用其中一个值进行匹配，多个值同时匹配则产生异常
browser.find_element_by_tag_name
browser.find_element_by_link_text
browser.find_element_by_css_selector
browser.find_element_by_xpath

此外，selenium还提供了通用方法find_element()

他须要传入两个参数，查找方式By和值，实际为browser.find_element_by_id()的通用方法

browser.find_element(By.ID, 'q')

from selenium.webdriver.common.by import By
browser.find_element(By.ID, 'q')

多个节点

要匹配多个节点时使用find_element()只能获取到一个节点，因此此时须要find_elements()方法,两个之间的区别为匹配多个节点时要用elements

节点交互

selenium能够驱动浏览器作一系列操做，常见的send_keys()方法，清空文字是使用clear()方法,点击按钮click()

练习：使用selenium请求京东，在搜索框输入荣耀20，而后等页面加载出内容后，睡眠3秒，再去搜索华为p30
节点.clear() 	节点.click() 		节点.send_keys() 
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.keys import Keys
from selenium import webdriver
import time
brower = webdriver.Chrome()
try:
    brower.get('https://www.jd.com/')
    input = brower.find_element_by_id('key')
    input.send_keys('荣耀20')
    input.send_keys(Keys.ENTER)
    #按钮操做
    #button = brower.find_element+by_class_name('button')
    wait = WebDriverWait(brower,3)#等待页面加载
    time.sleep(3)
    print('3秒后')
    input = brower.find_element_by_id('key')
    input.clear()
    input.send_keys('荣耀P30')
    input.send_keys(Keys.ENTER) 
finally:
    pass
若是class属性里面有两个值，中间用空格隔开，用class_name匹配节点的时候只须要匹配其中一个，多了是找不到的

获取节点信息

经过page_source属性能够获取网页源代码，接着可使用解析库（如正则，bs4等）来提取信息。

selenium也提供了节点选择方法，返回webElement类型，能够经过一些方法提取节点属性、文本等。

获取属性

可使用get_attribute()方法来获取节点的属性，前提去先选中节点。

#获取猫眼网的图片连接
from selenium import webdriver
brower = webdriver.Chrome()

brower.get('https://maoyan.com/board/4')
input_2 = brower.find_elements_by_xpath('//img[@class="board-img"]')#注意这里是elements
print(type(input_2))
for i in input_2:
    print(i.get_attribute('data-src'))

获取文本

每个web element对象都有一个text属性，经过该属性能够获取节点的文本信息

#获取top100电影名称
name = browser.find_elements_by_xpath( '//p[@class="name"]/a') print(len(name)) 
for i in name:    
    print(i.text)

延时等待

selenium中get()方法会在网页框架加载结束后执行，此时若是获取page_source获取网页源码可能获得结果不是浏览器彻底加载后的页面内容。

若是一些页面有额外的ajax请求，则在此处须要延时等待一段时间，确保信息已经加载出来。

延时等待分为：显式等待和隐式等待

隐式等待

使用隐式等待的时候，若是selenium没有在DOM中找到节点将继续等待，直到超时设定时间后抛出timeout异常，默认时间为0，以秒为单位。

from selenium import webdriver
brower = webdriver.Chrome()
brower.implicitly_wait(10)
brower.get('url')

获取淘宝首页内容，查看设置延时等待与不设置响应的内容是不是一致的

若是有延时等待，则程序在get()请求后开始在延时时给定的时间内加载数据，同时匹配网页内容。

from selenium import webdriver 
browser = webdriver.Chrome() 
browser.implicitly_wait(20) 
browser.get('https://www.taobao .com/') 
#获取信息 
# print(browser.page_source) 
print(len(browser.find_elements _by_xpath('//h4[@class="aall"]'))) browser.close()

显式等待

隐式等待效果通常，由于只规定了固定的时间，而页面加载信息时间会受到网络条件影响

显式等待它指定要查找的内容，而后指定时间进行等待。若是在规定时间加载到这个节 点则返回查找的节点，若是在规定时间依然没有加载到该节点数据，则抛出异常

移动右侧下拉条

#将下拉条从顶部拖拽到中间位置 
brower.execute_script('window.scrollTo(0,document.body.scrollHeight/2)')

前进和后退

使用back()昂发进行后退，使用forward()方法进行前进

from selenium import webdriver
import time
browser=webdriver.Chrome()
browser.get('https://www.baidu.com/')
browser.get('https://www.taobao.com/')
browser.get('https://www.jd.com/')

browser.back()
time.sleep(10)
browser.forward()

捕获异常

from selenium.common.exceptions import TimeoutException
#导入异常
try : 
    pass
except TimeoutException:
    pass
finally:
    pass