網絡爬蟲進階之動態網頁數據抓取

時間 2019-12-14

原文原文鏈接

動態網頁數據抓取

什麼是AJAX：

AJAX（Asynchronouse JavaScript And XML）異步JavaScript和XML。過在後臺與服務器進行少許數據交換，Ajax 可使網頁實現異步更新。這意味着能夠在不從新加載整個網頁的狀況下，對網頁的某部分進行更新。傳統的網頁（不使用Ajax）若是須要更新內容，必須重載整個網頁頁面。由於傳統的在傳輸數據格式方面，使用的是XML語法。所以叫作AJAX，其實如今數據交互基本上都是使用JSON。使用AJAX加載的數據，即便使用了JS，將數據渲染到了瀏覽器中，在右鍵->查看網頁源代碼仍是不能看到經過ajax加載的數據，只能看到使用這個url加載的html代碼。css

獲取ajax數據的方式：

直接分析ajax調用的接口。而後經過代碼請求這個接口。
使用Selenium+chromedriver模擬瀏覽器行爲獲取數據。

方式	優勢	缺點
分析接口	直接能夠請求到數據。不須要作一些解析工做。代碼量少，性能高。	分析接口比較複雜，特別是一些經過js混淆的接口，要有必定的js功底。容易被發現是爬蟲。
selenium	直接模擬瀏覽器的行爲。瀏覽器能請求到的，使用selenium也能請求到。爬蟲更穩定。	代碼量多。性能低。

Selenium+chromedriver獲取動態數據：

Selenium至關因而一個機器人。能夠模擬人類在瀏覽器上的一些行爲，自動處理瀏覽器上的一些行爲，好比點擊，填充數據，刪除cookie等。chromedriver是一個驅動Chrome瀏覽器的驅動程序，使用他才能夠驅動瀏覽器。固然針對不一樣的瀏覽器有不一樣的driver。如下列出了不一樣瀏覽器及其對應的driver：html

安裝Selenium和chromedriver：

安裝Selenium：Selenium有不少語言的版本，有java、ruby、python等。咱們下載python版本的就能夠了。
```
pip install selenium
```
安裝chromedriver：下載完成後，放到不須要權限的純英文目錄下就能夠了。

快速入門：

如今以一個簡單的獲取百度首頁的例子來說下Selenium和chromedriver如何快速入門：java

from selenium import webdriver

# chromedriver的絕對路徑
driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'

# 初始化一個driver，而且指定chromedriver的路徑
driver = webdriver.Chrome(executable_path=driver_path)
# 請求網頁
driver.get("https://www.baidu.com/")
# 經過page_source獲取網頁源代碼
print(driver.page_source)

selenium經常使用操做：

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

關閉頁面：

driver.close()：關閉當前頁面。
driver.quit()：退出整個瀏覽器。

定位元素：

find_element_by_id：根據id來查找某個元素。等價於：

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

find_element_by_class_name：根據類名查找元素。等價於：

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

find_element_by_name：根據name屬性的值來查找元素。等價於：

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

find_element_by_tag_name：根據標籤名來查找元素。等價於：

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

find_element_by_xpath：根據xpath語法來獲取元素。等價於：

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

find_element_by_css_selector：根據css選擇器選擇元素。等價於：git
```
submitTag = driver.find_element_by_css_selector('//div')
 submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')
```
要注意，find_element是獲取第一個知足條件的元素。find_elements是獲取全部知足條件的元素。github

操做表單元素：

操做輸入框：分爲兩步。第一步：找到這個元素。第二步：使用send_keys(value)，將數據填充進去。示例代碼以下：web
```
inputTag = driver.find_element_by_id('kw')
 inputTag.send_keys('python')
```
使用clear方法能夠清除輸入框中的內容。示例代碼以下：ajax
```
 inputTag.clear()
```
操做checkbox：由於要選中checkbox標籤，在網頁中是經過鼠標點擊的。所以想要選中checkbox標籤，那麼先選中這個標籤，而後執行click事件。示例代碼以下：chrome
```
 rememberTag = driver.find_element_by_name("rememberMe")
 rememberTag.click()
```

選擇select：select元素不能直接點擊。由於點擊後還須要選中元素。這時候selenium就專門爲select標籤提供了一個類selenium.webdriver.support.ui.Select。將獲取到的元素當成參數傳到這個類中，建立這個對象。之後就可使用這個對象進行選擇了。示例代碼以下：shell

from selenium.webdriver.support.ui import Select
 # 選中這個標籤，而後使用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秀客戶端")
 # 取消選中全部選項
 selectTag.deselect_all()

操做按鈕：操做按鈕有不少種方式。好比單擊、右擊、雙擊等。這裏講一個最經常使用的。就是點擊。直接調用click函數就能夠了。示例代碼以下：
```
inputTag = driver.find_element_by_id('su')
 inputTag.click()
```

行爲鏈：

有時候在頁面中的操做可能要有不少步，那麼這時候可使用鼠標行爲鏈類ActionChains來完成。好比如今要將鼠標移動到某個元素上並執行點擊事件。那麼示例代碼以下：

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()

還有更多的鼠標相關的操做。

click_and_hold(element)：點擊但不鬆開鼠標。
context_click(element)：右鍵點擊。
double_click(element)：雙擊。更多方法請參考：http://selenium-python.readthedocs.io/api.html

Cookie操做：

獲取全部的cookie：

 for cookie in driver.get_cookies():
     print(cookie)

根據cookie的key獲取value：
```
value = driver.get_cookie(key)
```
刪除全部的cookie：
```
driver.delete_all_cookies()
```
刪除某個cookie：
```
driver.delete_cookie(key)
```

頁面等待：

如今的網頁愈來愈多采用了 Ajax 技術，這樣程序便不能肯定什麼時候某個元素徹底加載出來了。若是實際頁面等待時間過長致使某個dom元素還沒出來，可是你的代碼直接使用了這個WebElement，那麼就會拋出NullPointer的異常。爲了解決這個問題。因此 Selenium 提供了兩種等待方式：一種是隱式等待、一種是顯式等待。

隱式等待：調用driver.implicitly_wait。那麼在獲取不可用的元素以前，會先等待10秒中的時間。示例代碼以下：
```
driver = webdriver.Chrome(executable_path=driver_path)
driver.implicitly_wait(10)
# 請求網頁
driver.get("https://www.douban.com/")
```

顯示等待：顯示等待是代表某個條件成立後才執行獲取元素的操做。也能夠在等待的時候指定一個最大的時間，若是超過這個時間那麼就拋出一個異常。顯示等待應該使用selenium.webdriver.support.excepted_conditions指望的條件和selenium.webdriver.support.ui.WebDriverWait來配合完成。示例代碼以下：

 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()

一些其餘的等待條件：
- presence_of_element_located：某個元素已經加載完畢了。
- presence_of_all_emement_located：網頁中全部知足條件的元素都加載完畢了。
- element_to_be_cliable：某個元素是能夠點擊了。
  
  更多條件請參考：http://selenium-python.readthedocs.io/waits.html

切換頁面：

有時候窗口中有不少子tab頁面。這時候確定是須要進行切換的。selenium提供了一個叫作switch_to_window來進行切換，具體切換到哪一個頁面，能夠從driver.window_handles中找到。示例代碼以下：

# 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])

設置代理ip：

有時候頻繁爬取一些網頁。服務器發現你是爬蟲後會封掉你的ip地址。這時候咱們能夠更改代理ip。更改代理ip，不一樣的瀏覽器有不一樣的實現方式。這裏以Chrome瀏覽器爲例來說解：

from selenium import webdriver

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')