天天看點
傳回

爬蟲

動态網頁資料抓取

什麼是AJAX：

AJAX（Asynchronouse JavaScript And XML）異步JavaScript和XML。過在背景與伺服器進行少量資料交換，Ajax 可以使網頁實作異步更新。這意味着可以在不重新加載整個網頁的情況下，對網頁的某部分進行更新。傳統的網頁（不使用Ajax）如果需要更新内容，必須重載整個網頁頁面。因為傳統的在傳輸資料格式方面，使用的是XML文法。是以叫做AJAX，其實作在資料互動基本上都是使用JSON。使用AJAX加載的資料，即使使用了JS，将資料渲染到了浏覽器中，在右鍵->檢視網頁源代碼還是不能看到通過ajax加載的資料，隻能看到使用這個url加載的html代碼。

擷取ajax資料的方式：

  1. 直接分析ajax調用的接口。然後通過代碼請求這個接口。
  2. 使用Selenium+chromedriver模拟浏覽器行為擷取資料。
方式 優點 缺點
分析接口 直接可以請求到資料。不需要做一些解析工作。代碼量少，性能高。 分析接口比較複雜，特别是一些通過js混淆的接口，要有一定的js功底。容易被發現是爬蟲。
selenium 直接模拟浏覽器的行為。浏覽器能請求到的，使用selenium也能請求到。爬蟲更穩定。 代碼量多。性能低。

Selenium+chromedriver擷取動态資料：

Selenium相當于是一個機器人。可以模拟人類在浏覽器上的一些行為，自動處理浏覽器上的一些行為，比如點選，填充資料，删除cookie等。chromedriver是一個驅動Chrome浏覽器的驅動程式，使用他才可以驅動浏覽器。當然針對不同的浏覽器有不同的driver。以下列出了不同浏覽器及其對應的driver：

  1. Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads
  2. Firefox：https://github.com/mozilla/geckodriver/releases
  3. Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
  4. Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

安裝Selenium和chromedriver：

  1. 安裝Selenium：Selenium有很多語言的版本，有java、ruby、python等。我們下載下傳python版本的就可以了。

    pip install selenium

  2. 安裝chromedriver：下載下傳完成後，放到不需要權限的純英文目錄下就可以了。

快速入門：

現在以一個簡單的擷取百度首頁的例子來講下Selenium和chromedriver如何快速入門：

from selenium import webdriver

# chromedriver的絕對路徑

driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'

# 初始化一個driver，并且指定chromedriver的路徑

driver = webdriver.Chrome(executable_path=driver_path)

# 請求網頁

driver.get("https://www.baidu.com/")

# 通過page_source擷取網頁源代碼

print(driver.page_source)

selenium常用操作：

更多教程請參考：http://selenium-python.readthedocs.io/installation.html#introduction

關閉頁面：

  1. driver.close()：關閉目前頁面。
  2. driver.quit()：退出整個浏覽器。

定位元素：

  1. find_element_by_id：根據id來查找某個元素。等價于：

    submitTag = driver.find_element_by_id('su')

    submitTag1 = driver.find_element(By.ID,'su')

2. `find_element_by_class_name`：根據類名查找元素。 等價于：

```python

submitTag = driver.find_element_by_class_name('su')

submitTag1 = driver.find_element(By.CLASS_NAME,'su')

  1. find_element_by_name：根據name屬性的值來查找元素。等價于：

    submitTag = driver.find_element_by_name('email')

    submitTag1 = driver.find_element(By.NAME,'email')

4. `find_element_by_tag_name`：根據标簽名來查找元素。等價于：

submitTag = driver.find_element_by_tag_name('div')

submitTag1 = driver.find_element(By.TAG_NAME,'div')

  1. find_element_by_xpath：根據xpath文法來擷取元素。等價于：

    submitTag = driver.find_element_by_xpath('//div')

    submitTag1 = driver.find_element(By.XPATH,'//div')

6. `find_element_by_css_selector`：根據css選擇器選擇元素。等價于：

submitTag = driver.find_element_by_css_selector('//div')

submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')

要注意，find_element是擷取第一個滿足條件的元素。find_elements是擷取所有滿足條件的元素。

操作表單元素：

  1. 操作輸入框：分為兩步。第一步：找到這個元素。第二步：使用send_keys(value)，将資料填充進去。示例代碼如下：

    inputTag = driver.find_element_by_id('kw')

    inputTag.send_keys('python')

    使用clear方法可以清除輸入框中的内容。示例代碼如下：

    inputTag.clear()

  2. 操作checkbox：因為要選中checkbox标簽，在網頁中是通過滑鼠點選的。是以想要選中checkbox标簽，那麼先選中這個标簽，然後執行click事件。示例代碼如下：

    rememberTag = driver.find_element_by_name("rememberMe")

    rememberTag.click()

  3. 選擇select：select元素不能直接點選。因為點選後還需要選中元素。這時候selenium就專門為select标簽提供了一個類selenium.webdriver.support.ui.Select。将擷取到的元素當成參數傳到這個類中，建立這個對象。以後就可以使用這個對象進行選擇了。示例代碼如下：

    from selenium.webdriver.support.ui import Select

    # 選中這個标簽，然後使用Select建立對象

    selectTag = Select(driver.find_element_by_name("jumpMenu"))

    # 根據索引選擇

    selectTag.select_by_index(1)

    # 根據值選擇

    selectTag.select_by_value("http://www.95yueba.com")

    # 根據可視的文本選擇

    selectTag.select_by_visible_text("95秀用戶端")

    # 取消選中所有選項

    selectTag.deselect_all()

  4. 操作按鈕：操作按鈕有很多種方式。比如單擊、右擊、輕按兩下等。這裡講一個最常用的。就是點選。直接調用click函數就可以了。示例代碼如下：

    inputTag = driver.find_element_by_id('su')

    inputTag.click()

行為鍊：

有時候在頁面中的操作可能要有很多步，那麼這時候可以使用滑鼠行為鍊類ActionChains來完成。比如現在要将滑鼠移動到某個元素上并執行點選事件。那麼示例代碼如下：

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()

還有更多的滑鼠相關的操作。

  • click_and_hold(element)：點選但不松開滑鼠。
  • context_click(element)：右鍵點選。
  • double_click(element)：輕按兩下。 更多方法請參考：http://selenium-python.readthedocs.io/api.html

Cookie操作：

  1. 擷取所有的cookie：

    for cookie in driver.get_cookies():

    print(cookie)

2. 根據cookie的key擷取value：

value = driver.get_cookie(key)

  1. 删除所有的cookie：

    driver.delete_all_cookies()

  2. 删除某個cookie：

    driver.delete_cookie(key)

頁面等待：

現在的網頁越來越多采用了 Ajax 技術，這樣程式便不能确定何時某個元素完全加載出來了。如果實際頁面等待時間過長導緻某個dom元素還沒出來，但是你的代碼直接使用了這個WebElement，那麼就會抛出NullPointer的異常。為了解決這個問題。是以 Selenium 提供了兩種等待方式：一種是隐式等待、一種是顯式等待。

  1. 隐式等待：調用driver.implicitly_wait。那麼在擷取不可用的元素之前，會先等待10秒中的時間。示例代碼如下：

    driver.implicitly_wait(10)

    driver.get("https://www.douban.com/")

  2. 顯示等待：顯示等待是表明某個條件成立後才執行擷取元素的操作。也可以在等待的時候指定一個最大的時間，如果超過這個時間那麼就抛出一個異常。顯示等待應該使用selenium.webdriver.support.excepted_conditions期望的條件和selenium.webdriver.support.ui.WebDriverWait來配合完成。示例代碼如下：

    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()

  3. 一些其他的等待條件：
  • presence_of_element_located：某個元素已經加載完畢了。
  • presence_of_all_emement_located：網頁中所有滿足條件的元素都加載完畢了。

  • element_to_be_cliable：某個元素是可以點選了。

    更多條件請參考：http://selenium-python.readthedocs.io/waits.html

切換頁面：

有時候視窗中有很多子tab頁面。這時候肯定是需要進行切換的。selenium提供了一個叫做switch_to_window來進行切換，具體切換到哪個頁面，可以從driver.window_handles中找到。示例代碼如下：

# 打開一個新的頁面

self.driver.execute_script("window.open('"+url+"')")

# 切換到這個新的頁面中

self.driver.switch_to_window(self.driver.window_handles[1])

設定代理ip：

有時候頻繁爬取一些網頁。伺服器發現你是爬蟲後會封掉你的ip位址。這時候我們可以更改代理ip。更改代理ip，不同的浏覽器有不同的實作方式。這裡以Chrome浏覽器為例來講解：

options = webdriver.ChromeOptions()

options.add_argument("--proxy-server=http://110.73.2.248:8123")

driver_path = r"D:\ProgramApp\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類是每個擷取出來的元素的所屬類。 有一些常用的屬性：

  1. get_attribute：這個标簽的某個屬性的值。
  2. screentshot：擷取目前頁面的截圖。這個方法隻能在driver上使用。 driver的對象類，也是繼承自WebElement。 更多請閱讀相關源代碼。
上一篇: 解決：network unreachable resolving問題
下一篇: 9、架構--動靜分離、rewrite、HTTPS