动态网页爬虫

时间 2019-11-21

原文原文链接

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许数据交换，Ajax 可使网页实现异步更新。这意味着能够在不从新加载整个网页的状况下，对网页的某部分进行更新。传统的网页（不使用Ajax）若是须要更新内容，必须重载整个网页页面。由于传统的在传输数据格式方面，使用的是XML语法。所以叫作AJAX，其实如今数据交互基本上都是使用JSON。使用AJAX加载的数据，即便使用了JS，将数据渲染到了浏览器中，在右键->查看网页源代码仍是不能看到经过ajax加载的数据，只能看到使用这个url加载的html代码css

获取Ajax数据的方式

直接分析ajax调用的接口。而后经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	优势	缺点
分析接口	直接能够请求到数据，不须要作任何解析工做，代码量少，性能高	分析接口比较复杂，特别是一些经过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，浏览器能够请求到的，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至关因而一个机器人，能够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，好比点击，填充数据，删除cookie等html

chromedriver是一个驱动chrome浏览器的驱动程序，使用他才能够驱动浏览器，针对不一样的浏览器有不一样的driverjava

安装 `selenium` + `chromedriver`

安装selenium：selenium有不少语言的版本，有java、ruby、python等 pip install selenium
安装chromedriver：下载和本身浏览器版本对应的文件，放到不须要权限的纯英文目录下就能够了

简单使用

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

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，而且指定chromedriver的路径
driver = webdriver.Chrome(executable_path=driver_path)

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

# 经过page_source获取网页源代码
print(driver.page_source)

selenium 经常使用的操做

官方文档：https://selenium-python.readthedocs.io/installation.html#introductiongit

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')

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')

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')

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')

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')

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')

find_element 是获取第一个知足条件的元素
find_elements 是获取全部知足条件的元素

操做表单元素

操做输入框：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')

使用clear方法能够清除输入框中的内容 inputTag.clear()github

操做checkbox：由于要选中checkbox标签，在网页中是经过鼠标点击的。所以想要选中checkbox标签，那么先选中这个标签，而后执行click事件

rememberTag = driver.find_element_by_name("rememberMe")
rememberTag.click()

选择select：select元素不能直接点击。由于点击后还须要选中元素。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，建立这个对象。之后就可使用这个对象进行选择了

from selenium.webdriver.support.ui import Select
# 选中这个标签，而后使用Select建立对象
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")
# 取消选中全部选项
selectTag.deselect_all()

操做按钮：操做按钮有不少种方式。好比单击、右击、双击等。这里讲一个最经常使用的。就是点击。直接调用click函数就能够了

inputTag = driver.find_element_by_id('su')
inputTag.click()

行为链

有时候在页面中的操做可能要有不少步，那么这时候可使用鼠标行为链类ActionChains来完成。好比如今要将鼠标移动到某个元素上并执行点击事件web

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()

还有更多的鼠标相关的操做ajax

click_and_hold(element)：点击但不松开鼠标
context_click(element)：右键点击
double_click(element)：双击
更多方法请参考：http://selenium-python.readthedocs.io/api.html

Cookie操做

获取全部的cookie

for cookie in driver.get_cookies():
    print(cookie)

-根据cookie的key获取valuechrome

value = driver.get_cookie(key)

删除全部的cookie：

driver.delete_all_cookies()

删除某个cookie：

driver.delete_cookie(key)

页面等待

如今的网页愈来愈多采用了 Ajax 技术，这样程序便不能肯定什么时候某个元素彻底加载出来了。若是实际页面等待时间过长致使某个dom元素还没出来，可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。因此 selenium 提供了两种等待方式：一种是隐式等待、一种是显式等待。api

隐式等待：调用driver.implicitly_wait。那么在获取不可用的元素以前，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/")

显示等待：显示等待是代表某个条件成立后才执行获取元素的操做。也能够在等待的时候指定一个最大的时间，若是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指望的条件和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)

一些其余的等待条件
- presence_of_element_located：某个元素已经加载完毕了
- presence_of_all_emement_located：网页中全部知足条件的元素都加载完毕了
- element_to_be_cliable：某个元素是能够点击了
- 更多条件请参考：http://selenium-python.readthedocs.io/waits.html

切换页面

有时候窗口中有不少子tab页面。这时候确定是须要进行切换的。selenium提供了一个叫作switch_to_window来进行切换，具体切换到哪一个页面，能够从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])

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。这时候咱们能够更改代理ip。更改代理ip，不一样的浏览器有不一样的实现方式。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')

WebElement元素

from selenium.webdriver.remote.webelement import WebElement类是每一个获取出来的元素的所属类，它有一些经常使用的属性

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