爬虫1.5-ajax数据爬取

Posted 2021-01-30 bitterzz

目录

• 爬虫-ajax数据爬取
  • 1. ajax数据
  • 2. selenium+chromedriver知识准备
  • 3. selenium+chromedriver实战拉勾网爬虫代码

爬虫-ajax数据爬取

1. ajax数据

ajax (异步javascript 和 XML)（读作阿贾克斯），ajax可以时网页实现异步更新，一般使用的json数据交互，即在不重新加载整个页面也可以对网页的部分进行更新，ajax技术加载的数据在网页源代码中是看不到的，只能看到url加载的html部分

获取ajax数据的两种方式

1 分析ajax调用的接口，发现url的参数，再通过代码请求这个接口，直接拿到json数据，有时json数据可能是加密的，或者发送post请求获取json数据并且表单中的数据是按照一定规则写的，这时需要分析js代码，就很麻烦了。

2 Selenium+chromedriver 获取动态数据，Selenium 相当于可以模拟输入、删除和点击操作以及cookie chromedriver是一个驱动chrome浏览器的驱动程序，使用它可以驱动浏览器。这种方式可以直接获取网页中全部的代码，包括ajax技术加载的数据。例如有的网站点击“更多”按钮后可以加载的数据，将全部被获取。虽然这种方式简单粗暴，但每次请求页面时都会打开一个页面，加载数据和渲染页面，显得过于笨重。

2. selenium+chromedriver知识准备

chromedriver是谷歌浏览器的驱动程序，使用selenium可以操作它

chromedriver.exe需要放在一个非中文目录下

2.1 selenium+chromedriver简单操作

form selenium import webdriver
driver_path = r‘D:chromedriverchromedriver.exe‘  # 指明路径
driver = webdriver.Chrome(executable_path=driver_path)  # 创建driver实例，将路径传入
driver.get("https://www.baidu.com")  # get方式打开百度，注意一定要加https:// 否则会报错
driver.page_source # 获取源代码，然后可以扔给正则表达式或者xpath解析,这里可以直接获取ajax数据
driver.close() #关闭一个页面
driver.quit() #关闭整个浏览器

2.2 常用表单元素

input type=‘text/password/email/number‘ 文本框
button input [type=‘submit‘] 按钮 例如登陆
checkbox input type=‘checkbox‘ 例如记住密码选项
select 下拉菜单

2.3 模拟点击

driver.get(‘https://www.douban.com/‘)
remenberBtn = driver.find_element_by_id(‘form_remember‘)
remenberBtn.click()

2.4 行为链

from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains  #导入driver和行为链类
driver_path = r‘D:chromedriverchromedriver.exe‘   #指定路径
driver = webdriver.Chrome(executable_path=driver_path)  #创建对象
driver.get(‘https://www.qq.com/‘)   #打开网页
moveTag = driver.find_element_by_xpath("//div[@class=‘more-txt‘]") #定位腾讯网中“更多”按钮
clickTag = driver.find_element_by_xpath("//ul[@class=‘sub-list cf‘]/li[1]")  
#定位“独家”按钮
actions =ActionChains(driver)   # 创建行为链对象
actions.move_to_element(moveTag)   # 移动到定位点
actions.click(moveTag)  # 点击   好像不点击也可以
actions.move_to_element(clickTag)  # 移动到”独家“按钮
actions.click(clickTag) # 点击
actions.perform()  # 必须调用的函数   否则不会执行之前定义好的行为

# drver.find_element_by_xpath("") 意味着可以使用xpath语法找到想要点击的按钮或输入框
# 类似的还有id  class  css

2.5 页面等待

1 隐式等待
driver.implicitly_wait(x)  # x是等待时间   x秒

2 显示等待
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:chromedriverchromedriver.exe‘
driver = webdriver.Chrome(executable_path=driver_path)
driver.get(‘https://new.qq.com/ch/ori/‘)
try:
    WebDriverWait(driver, 10).until(         
        # 这里使用WebDriverWait类填入参数   10代表等待10s未出现则抛出异常
    EC.presence_of_element_located((By.CLASS_NAME, ‘s ‘)) 
        #这里就是等待条件 即当class属性=s 被加载后条件达成
)
finally:
    print("2222")   # 这样的话当没有等待到期望的条件就可以做其他事情

2.6 窗口

打开多个窗口
driver.get(‘https://new.qq.com/ch/ori/‘)
driver.execute_script("window.open(‘https://www.douban.com/‘)") 
#使用JavaScript脚本打开新页面

driver.get(‘https://new.qq.com/ch/ori/‘)
driver.execute_script("window.open(‘https://www.douban.com/‘)")   # 打开两个页面
print(driver.current_url)   # 打印当前url
driver.switch_to.window(driver.window_handles[1]) #  切换窗口   窗口列表中第二个窗口的索引是1
print(driver.current_url)  # 打印当前url

2.7 代理ip

driver_path = r‘D:chromedriverchromedriver.exe‘
options = webdriver.ChromeOptions()  # 创建配置对象
options.add_argument("--proxy-server=http://221.6.32.206:41816")  # 写入配置
driver = webdriver.Chrome(executable_path=driver_path, options=options)  # 写入参数
driver.get(‘https://www.baidu.com/s?wd=ip‘)

3. selenium+chromedriver实战拉勾网爬虫代码

# 拉勾网的反爬太恶心了，于是用selenium+chromedriver来爬，结果还是被封了，我去

import re
import time
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
from lxml import etree


class LagouSpider(object):
    def __init__(self):
        driver_path = r‘D:chromedriverchromedriver.exe‘  # 指定chromedriver 的路径
        self.driver = webdriver.Chrome(executable_path=driver_path)
        self.base_url = ‘https://www.lagou.com/jobs/list_python?px=default&city=%E6%88%90%E9%83%BD#filterBox‘   # 拉勾网搜索python的页面url
        self.data = []  # 用来存放字典

    def get_url_list(self):
        while True:
            self.driver.get(self.base_url)  # 访问拉勾网
            # 获取页面全部文本信息，这里可以直接获取ajax技术返回的数据，
            # 如果用requests库需要找到发送json请求的数据包
            text = self.driver.page_source
            try:
                # 等待职位信息的url出现，timeout=3s
                WebDriverWait(self.driver, 3).until(
                    EC.presence_of_element_located((By.CLASS_NAME, ‘position_link‘))
                )
                # 获取url并调用get_info函数
                url_list = re.findall(r‘<a class="position_link" href="(.*?)" target=.*?>‘, text, re.S)
                for i in url_list:
                    self.get_info(i)
            finally:
                # 判断是否已到最后一页
                if len(re.findall(r‘class="pager_next pager_next_disabled"‘, text, re.S)) != 0:
                    self.driver.quit()
                    break
                # 找到下一页的位置并点击
                else:
                    nextPageTag = self.driver.find_element_by_xpath("//div[@class=‘pager_container‘]/span[last()]")
                    nextPageTag.click()


    def get_info(self, url):
        # 打开新窗口，移动driver，不移动无法获取page_source
        self.driver.execute_script("window.open(‘{}‘)".format(url))
        self.driver.switch_to.window(self.driver.window_handles[1])
        try:
            # 提取信息，因为职位描述信息的标签实在是太乱了，还是用xpath舒服一点
            html = etree.HTML(self.driver.page_source)
            work_name = re.findall(r‘<div class="job-name" title="(.*?)">‘, self.driver.page_source, re.S)[0]            
            salary = re.findall(r‘<span class="salary">(.*?)</span>‘, self.driver.page_source, re.S)[0]
            # 获取职位描述信息
            temp = html.xpath("//dd[@class=‘job_bt‘]//div/p/text()")
            describe = ‘‘
            for i in temp:
                describe += i
            describe = re.subn(r‘s*‘, ‘‘, describe)
            temp = {
                ‘job_name‘: work_name,
                ‘describe‘: describe[0],
                ‘salary‘: salary
            }
            print(temp)
            # 放入列表中，方便写入csv或者txt
            self.data.append(temp)
        except:
            # 出错的页面打印出来
            print(url)
            time.sleep(5)
        finally:
            # 关闭页面，移动driver到最开始的base_url
            self.driver.close()
            self.driver.switch_to.window(self.driver.window_handles[0])
            time.sleep(1)

    def run(self):
        self.get_url_list()


if __name__ == ‘__main__‘:
    spider = LagouSpider()
    spider.run()