教你轻松截获 Selenium 中的 Ajax 数据

Posted 2021-04-15 崔庆才丨静觅

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了教你轻松截获 Selenium 中的 Ajax 数据相关的知识，希望对你有一定的参考价值。

“

阅读本文大概需要 3 分钟。

”

之前我们介绍了 ajax-hook 来实现爬虫的过程中截获 Ajax 请求，可以看这篇文章，在这里再另外介绍一个工具 BrowserMob Proxy，利用它我们同样可以实现 Selenium 爬虫过程中 Ajax 请求的获取。

下面我们来简单介绍一下。

BrowserMob Proxy

BrowserMob Proxy，简称 BMP，它是一个 HTTP 代理服务，利用它我们可以截获 HTTP 请求和响应内容，另外还可以把 Performance data 输出成一个 HAR 文件。

其 GitHub 链接为：https://github.com/lightbody/browsermob-proxy/。

大家可以点击进去看看详情介绍。

实际上其原理就是开了一个代理服务器，然后抓包，同时对接了 Java、Python API，以方便我们可以直接通过代码来获取到内容。

案例

官方的一些介绍比较复杂，而且大多数都是 Java 的对接，在这里我们使用 Python 来实验一下。

这里我们就直接通过一个案例来测试下吧，废话不多说。

还是拿我自己的一个测试网站为案例，链接为：https://dynamic2.scrape.center/。

页面如图所示：

其数据都是通过 Ajax 加载的，同时带着一些加密参数：

这个网站通过 Selenium 爬的话一点问题也没有，但是由于数据本身就是从 Ajax 加载的，所以如果能直接截获 Ajax 请求的话，连页面解析都省了。

所以这里我们要利用 BrowserMob Proxy 来截获一下试试。

代码实现

要用 Python 实现，我们需要先安装一个 BrowserMob Proxy 的包，命令如下：

pip3 install browsermob-proxy

另外我们还需要下载 browsermob-proxy 的二进制文件，以便于启动 BrowserMob Proxy。

直接下载 build 过的版本即可：

好，接着呢，我们就可以实现如下代码：

from browsermobproxy import Serverimport timefrom selenium import webdriverfrom selenium.webdriver.chrome.options import Options
# 启动代理server = Server('./browsermob-proxy-2.1.4/bin/browsermob-proxy')server.start()proxy = server.create_proxy()print('proxy', proxy.proxy)
# 启动浏览器chrome_options = Options()chrome_options.add_argument('--ignore-certificate-errors')chrome_options.add_argument('--proxy-server={0}'.format(proxy.proxy))driver = webdriver.Chrome(options=chrome_options)
# 监听结果base_url = 'https://dynamic2.scrape.center/'proxy.new_har(options={ 'captureContent': True, 'captureHeaders': True})driver.get(base_url)time.sleep(3)
# 读取结果result = proxy.harfor entry in result['log']['entries']: print(entry['request']['url']) print(entry['response']['content'])

在这里呢，一共分了四步：

运行结果类似如下：

这里可以看到所有的数据都能获取到了，包括 Ajax 结果、javascript、CSS 文件内容等等。

这里 har 的内容其实是一个 JSON 对象，里面记录了在访问页面的过程中发生的所有请求和响应内容，一般内容都会记录在 logs 的 entries 字段里面，还有其他的信息如有需要也可以读取。

所以，这样我们就能从 Selenium 中获取 Ajax 请求内容了。

优化

不过像上面这种代码还是不方便啊，不好复用，不好扩展，我们来稍微改写下，代码如下：

from selenium import webdriverfrom selenium.webdriver.chrome.options import Optionsfrom browsermobproxy import Serverimport timeimport json
class BaseFramework(object):
 def __init__(self): self.server = Server('./browsermob-proxy-2.1.4/bin/browsermob-proxy') self.server.start() self.proxy = self.server.create_proxy() chrome_options = Options() chrome_options.add_argument('--ignore-certificate-errors') chrome_options.add_argument('--proxy-server={0}'.format(self.proxy.proxy)) self.browser = webdriver.Chrome(options=chrome_options)
 def process_request(self, request, response): pass
 def process_response(self, response, request): pass
 def run(self, func, *args): self.proxy.new_har(options={ 'captureContent': True, 'captureHeaders': True }) func(*args) result = self.proxy.har for entry in result['log']['entries']: request = entry['request'] response = entry['response'] self.process_request(request, response) self.process_response(response, request)
 def __del__(self): self.proxy.close() self.browser.close()

class MovieFramework(BaseFramework):
 def process_request(self, request, response): print(request)
 def process_response(self, response, request): if '/api/movie/' in request['url']: print(response['content']) text = response['content']['text'] results = json.loads(text)['results'] for item in results: name = item.get('name') with open(f'{name}.json', 'w', encoding='utf-8') as f: json.dump(item, f, ensure_ascii=False, indent=2)
 def load(self, url): self.browser.get(url) time.sleep(3)
if __name__ == '__main__': f = MovieFramework() for page in range(1, 5): url = f'https://dynamic2.scrape.center/page/{page}' f.run(f.load, url)

这里框架写的很基础，还有很多需要完善的地方，就只借着这雏形说说大体思路：

•这里我先定义了一个 BaseFramework，就是基础框架，然后里面定义了几个关键方法，__init__ 方法不多说了，就是把一些初始化的工作放进去。然后定义了 run 方法，把 HAR 的声明、访问、读取的操作封装了一下。然后定义了 process_response 和 process_request 的回调，这里就没实现任何操作，可以在子类实现。•如果我们要写一个爬虫的话，可以新建一个子类来继承刚才定义的 BaseFramework，然后可以自己实现 process_request 和 process_response 来处理请求和响应的结果，比如这里我就实现了一个 MovieFramework，然后实现了 process_response 处理响应信息，里面判断了 Ajax 请求的 URL，然后进行了提取和保存处理。里面 load 方法就是自行定义的，里面正常定义逻辑即可。•最后运行的时候使用 run 方法运行自定义的 load 方法即可，传入 load 方法的参数，即可完成页面的加载。同时加载的过程中 process_response 方法就会被回调，对结果进行处理。这里我们就提取了 Ajax 数据，然后保存下来了。

最终运行下，我们就可以看到一条条的电影数据就被保存下来了，如图所示：