動態頁面獲取

1、反爬與反反爬

反爬措施（服務器）

• 經過客戶端請求頭字段來判斷是否是爬蟲。
• 經過在url中拼接加密字段，通常經過js動態生成。
• 經過判斷一個IP在一個時間段內訪問頻率。
• 驗證碼。
• 不直接在頁面中顯示數據，經過js進行數據渲染。

反反爬措施（你）

• 封裝經常使用請求頭，列如：user-agent，Referer。
• 經過 js逆向，或在頁面中得到加密字段，。
• 使用IP池，設置爬取策略
• 驗證碼識別
  • 字母驗證碼，能夠經過打碼平臺識別/本身識別，再輸入。
  • 滑動/點擊驗證碼，可經過打碼平臺識別位置後，經過selenium模擬人工滑動/點擊，進行驗證。
• js渲染可經過如下方法獲取數據
  • 有些網站數據放置在js代碼中，例如36kr。
  • 經過selenium+phantomjs(無界面瀏覽器)、selenium+chrome來獲取數據
  • 找到數據來源的接口（ajax接口）
  • splash獲取數據。Splash是一個javascript渲染服務。。

2、ajax

一、什麼是ajax

​ Ajax 不是一種新的編程語言，而是一種用於建立更好更快以及交互性更強的Web應用程序的技術。
使用 JavaScript 向服務器提出請求並處理響應而不阻塞用戶核心對象XMLHttpRequest。經過這個對象，您的 JavaScript 可在不重載頁面的狀況與 Web 服務器交換數據，即在不須要刷新頁面的狀況下，就能夠產生局部刷新的效果。Ajax 在瀏覽器與 Web 服務器之間使用異步數據傳輸（HTTP 請求），這樣就可以使網頁從服務器請求少許的信息，而不是整個頁面。Ajax可以使因特網應用程序更小、更快，更友好。

總結下來：ajax是經過XMLHttpRequest對象，在不刷新頁面的狀況下異步發送請求，接受響應，的一種網絡技術。

3、selenium與瀏覽器驅動安裝。

一、安裝 selenium 模塊

pip install selenium

二、下載瀏覽器驅動而且安裝。

下載 chromedrive，首先須要查看本身的瀏覽器版本

chromedrive下載地址：https://chromedriver.storage.googleapis.com/index.html?path=80.0.3987.106/

phantomjs下載地址：https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-2.1.1-windows.zip

下載完成後解壓，移動到python.exe所在的目錄,你也能夠進行單獨環境變量配置，不過這種方法是最簡單的

是否成功，在cmd命令行中輸入相關命令

4、selenium簡單使用

4.一、經常使用方法以下

from selenium import webdriver

chrome = webdriver.Chrome()

# 訪問url
chrome.get('https://www.baidu.com')

# 元素選擇
input_1 = chrome.find_element_by_id('kw')  # 經過id選擇
input_2 = chrome.find_element_by_xpath("//input[@id='su']")  # 經過xpath
input_3 = chrome.find_element_by_css_selector('#su')  # 經過css選擇器
input_4 = chrome.find_element_by_class_name('bg s_btn')  # 經過類名

# 往輸入框內發送內容，而且點擊
input_1.send_keys('spider')
button = chrome.find_element_by_xpath('//input[@id="su"]')

# 獲取某對象的png bytes數據
content_bytes = button.screenshot_as_png

# 獲取元素的位置
print(button.location)
button.click()

# 全屏截圖
chrome.save_screenshot('1.png')

# 元素大小
print(button.size)
chrome.close()

# 關閉選項卡
chrome.close()

# 退出瀏覽器
chrome.quit()

4.二、selenium提取cookies字典

from selenium import webdriver

chrome = webdriver.Chrome()
chrome.get('http://www.baidu.com')

cookies = chrome.get_cookies()

cok_dic = {i.get('name'): i.get('value') for i in cookies}
print(cok_dic)

chrome.close()
chrome.quit()

4.三、selenium中的三種等待

代碼執行的速度是很是快的，可是咱們經過selenium+瀏覽器驅動去驅動一個瀏覽器執行某些動做，可是瀏覽器執行的速度很慢。咱們進行數據提取時，瀏覽器頁面並無加載完畢，咱們可能會提取不到數據，因此須要設置等待。

強制等待：shitime.sleep(1) #程序暫停1秒
隱式等待：chrome.implicitly_wait(5) #最多等待5秒，在5秒內，加載完成就不會報錯。
顯示等待：指定時間狀況下，指定某些元素或者狀態是否加載完成。加載完成就不會報錯。

from selenium.webdriver.common.by import By #經過什麼方式判斷：id、xpath、cssselect、等
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
next_page = WebDriverWait(self.browser, 5).until(
                EC.presence_of_element_located((By.XPATH, '//div[contains(@class,"paginator")]/a[last()]'))) #等待a標籤是否加載成功。
            next_url = next_page.get_attribute('href')
            
#EC這個類中提供了不少判斷條件，下面是經常使用判斷條件
title_is    #title標籤內容是..
title_contains #title標籤包含。
presence_of_element_located  #元素加載完成
visibility_of_element_located  #元素可視
text_to_be_present_in_element #元素內的內容加載完成
element_to_be_clickable  #元素可點擊
element_to_be_selected  #元素可選擇

5、相關案例

5.一、豆瓣圖書

from selenium import webdriver
import time
import random
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from lxml import etree
import xlwt


class Douband():
    def __init__(self, kw, page):
        self.base_url = 'https://book.douban.com/'
        self.browser = webdriver.Chrome()
        self.page_url = ''
        self.kw = kw
        self.page = page
        self.cont_list = []

    def get_index(self, url):
        self.browser.get(url)
        try:
            next_page = WebDriverWait(self.browser, 5).until(
                EC.presence_of_element_located((By.XPATH, '//div[contains(@class,"paginator")]/a[last()]')))
            next_url = next_page.get_attribute('href')
            self.page_url = next_url
            return self.browser.page_source
        except Exception:
            self.browser.quit()

    def parser_index(self, content):
        html = etree.HTML(content)
        item_list = html.xpath('//div[contains(@class,"sc-bZQynM" )]')
        for item in item_list:
            title = item.xpath('.//div[@class="detail"]/div[@class="title"]/a/text()')
            rating = item.xpath('.//div[@class="detail"]/div[contains(@class,"rating")]/span[2]/text()')
            times = item.xpath('.//div[@class="detail"]/div[contains(@class,"rating")]/span[3]/text()'),
            info = item.xpath('.//div[@class="detail"]/div[@class="meta abstract"]/text()'),
            item = {
                'title': title[0] if title else None,
                'rating': rating[0] if rating else None,
                'times': times[0] if times else None,
                'info': info[0] if info else None,
            }
            print(item)
            self.cont_list.append(item)

    def search(self):
        self.browser.get(self.base_url)
        self.browser.find_element_by_id('inp-query').send_keys(self.kw)
        time.sleep(random.random())
        self.browser.find_element_by_xpath('//div[@class="inp-btn"]/input').click()

    def write_to_excel(self, filename, sheetname):
        # 建立workbook
        file = xlwt.Workbook()

        # 添加sheet表
        sheet = file.add_sheet(sheetname)

        # 設置表頭
        head = [i for i in self.cont_list[0].keys()]
        for i in range(len(head)):
            sheet.write(0, i, head[i])
        # 寫內容
        i = 1
        for item in self.cont_list:
            for j in range(len(head)):
                sheet.write(i, j, item[head[j]])
            i += 1
        # 保存
        file.save(filename)
        print('寫入excle成功！')

    def run(self):
        self.search()
        count = 0
        self.page_url = self.browser.current_url
        while count < self.page:
            content = self.get_index(self.page_url)
            self.parser_index(content)
            count += 1
        self.browser.quit()
        self.write_to_excel('python.xls', 'book')


if __name__ == '__main__':
    db = Douband('python', 10)
    db.run()

5.二、騰訊招聘

import requests
from jsonpath import jsonpath
from excle_wirte import ExcelUtils
import os


def get_content(url):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',
        'referer': 'https://careers.tencent.com/search.html'
    }

    res = requests.get(url, headers=headers).json()
    jp = jsonpath(res, '$.*.Posts.*')
    print(jp)
    return jp


def write_excel(filename, item_list, sheetname):
    if not os.path.exists(filename):
        ExcelUtils.write_to_excel(filename, item_list, sheetname)
    else:
        ExcelUtils.append_to_excel(filename, item_list)


if __name__ == '__main__':
    base_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1585401795646&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=20&language=zh-cn&area=cn'
    for i in range(1, 11):
        content = get_content(base_url.format(i))
        write_excel('tencent.xls',content,'hr')

在這裏用到了寫入excel的一些方法，我這裏直接引用了別人封裝的方法。

import xlwt
import xlrd
from xlutils.copy import copy as C


class ExcelUtils(object):
    @staticmethod
    def write_to_excel(filename, item_list, sheetname):
        try:
            # 建立workbook
            workbook = xlwt.Workbook(encoding='utf-8')
            # 給工做表添加sheet表單
            sheet = workbook.add_sheet(sheetname)
            # 設置表頭
            head = []
            for i in item_list[0].keys():
                head.append(i)
            # print(head)
            # 將表頭寫入excel
            for i in range(len(head)):
                sheet.write(0, i, head[i])
            # 寫內容
            i = 1
            for item in item_list:
                for j in range(len(head)):
                    sheet.write(i, j, item[head[j]])
                i += 1
            # 保存
            workbook.save(filename)
            print('寫入excle成功！')
        except Exception as e:
            print(e)
            print('寫入失敗！')

    @staticmethod
    def append_to_excel(filename, item_list):
        # 打開excle文件
        work_book = xlrd.open_workbook(filename)
        # 獲取工做表中的全部sheet表單名稱
        sheets = work_book.sheet_names()
        # 獲取第一個表單
        work_sheet = work_book.sheet_by_name(sheets[0])
        # 獲取已經寫入的行數
        old_rows = work_sheet.nrows
        # 獲取表頭的全部字段
        keys = work_sheet.row_values(0)
        # 將xlrd對象轉化成xlwt，爲了寫入
        new_work_book = C(work_book)
        # 獲取表單來添加數據
        new_sheet = new_work_book.get_sheet(0)
        i = old_rows
        for item in item_list:
            for j in range(len(keys)):
                new_sheet.write(i, j, item[keys[j]])
            i += 1

        new_work_book.save(filename)
        print('追加成功！')