爬虫---selenium动态网页数据抓取
Posted super-zhangkun
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫---selenium动态网页数据抓取相关的知识，希望对你有一定的参考价值。
动态网页数据抓取
什么是AJAX：
AJAX（Asynchronouse javascript And XML）异步JavaScript和XML。过在后台与服务器进行少量数据交换，Ajax 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下，对网页的某部分进行更新。传统的网页（不使用Ajax）如果需要更新内容，必须重载整个网页页面。因为传统的在传输数据格式方面，使用的是XML语法。因此叫做AJAX，其实现在数据交互基本上都是使用JSON。使用AJAX加载的数据，即使使用了JS，将数据渲染到了浏览器中，在右键->查看网页源代码还是不能看到通过ajax加载的数据，只能看到使用这个url加载的html代码。
获取ajax数据的方式：
- 直接分析ajax调用的接口。然后通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 |
优点 |
缺点 |
|
分析接口 |
直接可以请求到数据。不需要做一些解析工作。代码量少，性能高。 |
分析接口比较复杂，特别是一些通过js混淆的接口，要有一定的js功底。容易被发现是爬虫。 |
|
selenium |
直接模拟浏览器的行为。浏览器能请求到的，使用selenium也能请求到。爬虫更稳定。 |
代码量多。性能低。 |
Selenium+chromedriver获取动态数据：
Selenium相当于是一个机器人。可以模拟人类在浏览器上的一些行为，自动处理浏览器上的一些行为，比如点击，填充数据，删除cookie等。chromedriver是一个驱动Chrome浏览器的驱动程序，使用他才可以驱动浏览器。当然针对不同的浏览器有不同的driver。以下列出了不同浏览器及其对应的driver：
- Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads
- Firefox：https://github.com/mozilla/geckodriver/releases
- Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
- Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/
- 安装Selenium：Selenium有很多语言的版本，有java、ruby、python等。我们下载python版本的就可以了。
- pip install selenium
- 安装chromedriver：下载完成后，放到不需要权限的纯英文目录下就可以了。
安装Selenium和chromedriver：
快速入门：
from selenium import webdriver
# chromedriver的绝对路径
driver_path = r‘D:ProgramAppchromedriverchromedriver.exe‘
# 初始化一个driver，并且指定chromedriver的路径
driver = webdriver.Chrome(executable_path=driver_path)
# 请求网页
driver.get("https://www.baidu.com/")
# 通过page_source获取网页源代码
print(driver.page_source)
selenium常用操作：
更多教程参考：http://selenium-python.readthedocs.io/installation.html#introduction
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：
要注意，find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。
find_element_by_id：根据id来查找某个元素。等价于： 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。 等价于： 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。等价于： 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。等价于： 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。等价于： 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。等价于： submitTag = driver.find_element_by_css_selector(‘//div‘) submitTag1 = driver.find_element(By.CSS_SELECTOR,‘//div‘)
操作表单元素：
操作输入框：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。示例代码如下：
inputTag = driver.find_element_by_id(‘kw‘)
inputTag.send_keys(‘python‘)
使用clear方法可以清除输入框中的内容。示例代码如下：
inputTag.clear()
操作checkbox：因为要选中checkbox标签，在网页中是通过鼠标点击的。因此想要选中checkbox标签，那么先选中这个标签，然后执行click事件。示例代码如下：
rememberTag = driver.find_element_by_name("rememberMe")
rememberTag.click()
选择select：select元素不能直接点击。因为点击后还需要选中元素。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，创建这个对象。以后就可以使用这个对象进行选择了。示例代码如下：
from selenium.webdriver.support.ui import Select
# 选中这个标签，然后使用Select创建对象
selectTag = Select(driver.find_element_by_name("jumpMenu"))
# 根据索引选择
selectTag.select_by_index(1)
# 根据值选择
selectTag.select_by_value("http://www.95yueba.com")
# 根据可视的文本选择
selectTag.select_by_visible_text("95秀客户端")
# 取消选中所有选项
selectTag.deselect_all()
操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。示例代码如下：
inputTag = driver.find_element_by_id(‘su‘)
inputTag.click()
行为链：
有时候在页面中的操作可能要有很多步，那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件。那么示例代码如下：
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作。
- click_and_hold(element)：点击但不松开鼠标。
- context_click(element)：右键点击。
- double_click(element)：双击。 更多方法参考：http://selenium-python.readthedocs.io/api.html
Cookie操作：
获取所有的cookie：
for cookie in driver.get_cookies():
print(cookie)
根据cookie的key获取value：
value = driver.get_cookie(key)
删除所有的cookie：
driver.delete_all_cookies()
删除某个cookie：
driver.delete_cookie(key)
页面等待：
现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但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。所以 Selenium 提供了两种等待方式：一种是隐式等待、一种是显式等待。
- 隐式等待：调用driver.implicitly_wait。那么在获取不可用的元素之前，会先等待10秒中的时间。示例代码如下
driver = webdriver.Chrome(executable_path=driver_path)
driver.implicitly_wait(10)
# 请求网页
driver.get("https://www.douban.com/")
2/显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果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期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。示例代码如下：
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
driver = webdriver.Firefox()
driver.get("http://somedomain/url_that_delays_loading")
try:
element = WebDriverWait(driver, 10).until(
EC.presence_of_element_located((By.ID, "myDynamicElement"))
)
finally:
driver.quit()
一些其他的等待条件：
- presence_of_element_located：某个元素已经加载完毕了。
- presence_of_all_emement_located：网页中所有满足条件的元素都加载完毕了。
- element_to_be_cliable：某个元素是可以点击了。
更多条件参考：http://selenium-python.readthedocs.io/waits.html
切换页面：
有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。
selenium提供了一个叫做switch_to_window来进行切换，具体切换到哪个页面，可以从driver.window_handles中找到。示例代码如下：
# 打开一个新的页面
self.driver.execute_script("window.open(‘https://www.baidu.com‘)")
#显示当前页面的url
driver.current_url //还是百度页面
# 切换到这个新的页面中
driver.switch_to_window(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。这时候我们可以更改代理ip。更改代理ip，不同的浏览器有不同的实现方式。这里以Chrome浏览器为例来讲解：
from selenium import webdriver
options = webdriver.ChromeOptions() //设置存储浏览器的信息
//添加代理服务器
options.add_argument("--proxy-server=http://110.73.2.248:8123")
driver_path = r"D:ProgramAppchromedriverchromedriver.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类是每个获取出来的元素的所属类。
有一些常用的属性：
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，也是继承自WebElement。
.
以上是关于爬虫---selenium动态网页数据抓取的主要内容，如果未能解决你的问题，请参考以下文章
爬虫--python3.6+selenium+BeautifulSoup实现动态网页的数据抓取，适用于对抓取频率不高的情况
Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTML内容
用爬虫抓取网页得到的源代码和浏览器中看到的不一样运用了啥技术？