python动态爬取网页

Posted 2020-11-07 小学森也要学编程

简介

有时候，我们天真无邪的使用urllib库或Scrapy下载HTML网页时会发现，我们要提取的网页元素并不在我们下载到的HTML之中，尽管它们在浏览器里看起来唾手可得。

这说明我们想要的元素是在我们的某些操作下通过js事件动态生成的。举个例子，我们在刷QQ空间或者微博评论的时候，一直往下刷，网页越来越长，内容越来越多，就是这个让人又爱又恨的动态加载。

爬取动态页面目前来说有两种方法

1. 分析页面请求
2. selenium模拟浏览器行为

1.分析页面请求

键盘F12打开开发者工具，选择Network选项卡，选择JS（除JS选项卡还有可能在XHR选项卡中，当然也可以通过其它抓包工具），如下图

然后，我们来拖动右侧的滚动条，这时就会发现，开发者工具里出现了新的js请求（还挺多的），不过草草翻译一下，很容易就能看出来哪个是取评论的，如下图

 

好，复制出js请求的目标url

在浏览器中打开，发现我们想要的数据就在这里，如下图

这整个页面是一个json格式的数据，对于京东来说，当用户下拉页面时，触发一个js事件，向服务器发送上面的请求取数据，然后通过一定的js逻辑把取到的这些json数据填充到HTML页面当中。对于我们Spider来说，我们要做的就是把这些json数据整理提取。

在实际应用中，当然我们不可能去每个页面里找出来这个js发起的请求目标地址，所以我们需要分析这个请求地址的规律，一般情况下规律是比较好找的，因为规律太复杂服务方维护也难。

2.selenium模拟浏览器行为

对于动态加载，能看到Selenium+Phantomjs的强大。打开网页查看网页源码（注意不是检查元素）会发现要爬取的信息并不在源码里面。也就是说，从网页源码无法通过解析得到数据。Selenium+Phantomjs的强大一方面就在于能将完整的源码抓取到

例子：在豆瓣电影上根据给出的名字搜索对应的信息

#-*- coding:utf-8 -*-
import sys
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from bs4 import BeautifulSoup

reload(sys)
sys.setdefaultencoding(\'utf-8\')

url = \'https://movie.douban.com/\'
#这个路径就是你添加到PATH的路径
driver = webdriver.PhantomJS(executable_path=\'C:/Python27/Scripts/phantomjs-2.1.1-windows/bin/phantomjs.exe\')
driver.get(url)
#在搜索框上模拟输入信息并点击
elem = driver.find_element_by_name("search_text")
elem.send_keys("crazy")
elem.send_keys(Keys.RETURN)
#得到动态加载的网页
data = driver.page_source
soup = BeautifulSoup(data, "lxml")
# 进行匹配
for i in soup.select("div[class=\'item-root\']"):  
    name = i.find("a", class_="title-text").text
    pic = i.find("img").get(\'src\')
    url = i.find("a").get(\'href\')
    rate = ""
    num = ""
    if i.find("span", class_="rating_nums") is None:
        print name.encode("gbk", "ignore"), pic, url
    else:
        rate = i.find("span", class_="rating_nums").text
        num = i.find("span", class_="pl").text
        print name.encode("gbk", "ignore"),pic,url,rate.encode("gbk", "ignore"),num.encode("gbk", "ignore")