selenium抓取動態網頁數據

時間 2019-12-05

標籤 selenium 抓取動態網頁數據简体版

原文原文鏈接

1.selenium抓取動態網頁數據基礎介紹

1.1 什麼是AJAX

　　AJAX（Asynchronouse JavaScript And XML：異步JavaScript和XML）經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局部更新。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。javascript

　　由於傳統的網頁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。php

1.2 獲取ajax數據的方式

　　法1：直接分析ajax調用的接口。而後經過代碼請求這個接口。css

　　法2：使用Selenium+chromedriver模擬瀏覽器行爲獲取數據。html

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。

1.3 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：java

1.4 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。

1.5 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：python

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)

1.6 selenium經常使用操做

#-*-coding = utf-8 -*-
from selenium import webdriver
from selenium.webdriver.common.by import By
# 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

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

2.定位元素：
a)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')
b)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')
c)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')
d)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')
e)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')
f)find_element_by_css_selector：根據css選擇器選擇元素。等價於：
 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。

3.操做表單元素：
a)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：

 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：

 inputTag.clear()
b)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：

 rememberTag = driver.find_element_by_name("rememberMe")
 rememberTag.click()
c)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：

 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()

d)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()

4.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

經常使用操做1

#-*-coding = utf-8 -*-
from selenium import webdriver
from selenium.webdriver.common.by import By
# chromedriver的絕對路徑
driver_path = r'E:\study\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)
# 5.Cookie操做：
# a)獲取全部的cookie：
for cookie in driver.get_cookies():
    print(cookie)
# b)根據cookie的key獲取value：
#value = driver.get_cookie(key)
print(driver.get_cookie('PSTM'))
# c)刪除全部的cookie：
driver.delete_all_cookies()
# d)刪除某個cookie：
#driver.delete_cookie(key)

# 6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。

# a)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/")

# b)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

經常使用操做2

7.頁面切換
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
driver.execute_script("window.open('https://www.douban.com/')")
print(driver.window_handles)
# 切換到這個新的頁面中
driver.switch_to_window(self.driver.window_handles[1])
print(driver.current_url)
#注意
#雖然在瀏覽器窗口中切換到了新的頁面，可是driver中尚未切換
#若是想要在代碼中切換到新的界面，那麼應該使用driver.switch_to_window來切換到指定的窗口
#從driver.window_handles中取出具體第幾個窗口
#driver.window_handles是一個列表，裏面裝的都是窗口句柄，它會按照打開的頁面順序來存儲窗口的句柄。

8.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')

9. WebElement元素
from selenium.webdriver.remote.webelement import WebElement類是每一個獲取出來的元素的所屬類。
有一些經常使用的屬性：

get_attribute：這個標籤的某個屬性的值。
screentshot：獲取當前頁面的截圖。這個方法只能在driver上使用。
driver的對象類，也是繼承自WebElement。

經常使用操做3

1.7 爬取拉鉤網職位信息

import requests
from lxml import etree
import time
import re


headers = {
    "Accept":"application/json, text/javascript, */*; q=0.01",
    "Accept-Encoding":"gzip, deflate, br",
    "Accept-Language":"zh-CN,zh;q=0.9",
    "Connection":"keep-alive",
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36",
    "Referer":"https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=",
    "Origin":"https://www.lagou.com",
    "Host":"www.lagou.com",
    "Content-Type":"application/x-www-form-urlencoded; charset=UTF-8",
    "Cookie":"_ga=GA1.2.1602115737.1553064534; user_trace_token=20190320144853-39b1375a-4adc-11e9-a253-525400f775ce; LGUID=20190320144853-39b13f88-4adc-11e9-a253-525400f775ce; WEBTJ-ID=20190408120043-169fb1afd63488-06179b118ca307-7a1437-2073600-169fb1afd648ed; _gid=GA1.2.1826141825.1554696044; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%22169fb1bb2c41ea-04951e55adc96a-7a1437-2073600-169fb1bb2c58d0%22%2C%22%24device_id%22%3A%22169fb1bb2c41ea-04951e55adc96a-7a1437-2073600-169fb1bb2c58d0%22%7D; sajssdk_2015_cross_new_user=1; _putrc=4C5D2603888320CA; JSESSIONID=ABAAABAAADEAAFIB00F5DDE71D51610901CB9E0031812BA; login=true; unick=%E4%BC%8D%E6%99%93%E4%B8%BD; showExpriedIndex=1; showExpriedCompanyHome=1; showExpriedMyPublish=1; hasDeliver=49; gate_login_token=7b04a40da89145a1fbc90a3d719616d28c8b0a303344ac37; index_location_city=%E6%88%90%E9%83%BD; X_MIDDLE_TOKEN=1221e6b5040722dc86f5ceb557e11965; _gat=1; LGSID=20190408151935-a9976fbf-59ce-11e9-8cc8-5254005c3644; PRE_UTM=m_cf_cpc_baidu_pc; PRE_HOST=www.baidu.com; PRE_SITE=https%3A%2F%2Fwww.baidu.com%2Fbaidu.php%3Fsc.Ks000001qLT2daZnZWIez3ktR_jhHue3tONZubxU9mivhxeuj-Fxrjg6NnVcKTp-GYJ_YRvrc9_yOJ4uV-IEpfnPazPz7ctjve1qlDokCDfHYo9PV0uDfTmN1OunNUcCRU-sJuR8RZz60PAXzfKybAdvuCxUedbt8aWtTjAdCCuO298TwT8zN1-T5EG3kgkOweg0DHGIbvP55IZbr6.DY_NR2Ar5Od663rj6tJQrGvKD7ZZKNfYYmcgpIQC8xxKfYt_U_DY2yP5Qjo4mTT5QX1BsT8rZoG4XL6mEukmryZZjzsLTJplePXO-8zNqrw5Q9tSMj_qTr1x9tqvZul3xg1sSxW9qx-9LdoDkY4QPSl81_4pqO24rM-8dQjPakb3dS5iC0.U1Yk0ZDqs2v4VnL30ZKGm1Yk0Zfqs2v4VnL30A-V5HcsP0KM5gK1n6KdpHdBmy-bIykV0ZKGujYzr0KWpyfqnWcv0AdY5HDsnHIxnH0krNtknjc1g1nsnHNxn1msnfKopHYs0ZFY5HDLn6K-pyfq0AFG5HcsP0KVm1Y3nHDYP1fsrjuxnH0snNtkg1Dsn-ts0Z7spyfqn0Kkmv-b5H00ThIYmyTqn0K9mWYsg100ugFM5H00TZ0qPWm1PHm1rj640A4vTjYsQW0snj0snj0s0AdYTjYs0AwbUL0qn0KzpWYs0Aw-IWdsmsKhIjYs0ZKC5H00ULnqn0KBI1Ykn0K8IjYs0ZPl5fK9TdqGuAnqTZnVUhC0IZN15Hnkn1fknHT4P1DvPHR1PW61P100ThNkIjYkPHRYP10LrHTkPjTY0ZPGujd9rAwBmhuWrj0snjDzrj0Y0AP1UHYsPbm3wWTsrH0srjwarDcz0A7W5HD0TA3qn0KkUgfqn0KkUgnqn0KlIjYs0AdWgvuzUvYqn7tsg1Kxn7ts0Aw9UMNBuNqsUA78pyw15HKxn7tsg1nkrjm4nNts0ZK9I7qhUA7M5H00uAPGujYknjT1P1fkrjcY0ANYpyfqQHD0mgPsmvnqn0KdTA-8mvnqn0KkUymqn0KhmLNY5H00uMGC5H00uh7Y5H00XMK_Ignqn0K9uAu_myTqnfK_uhnqn0KEIjYs0AqzTZfqnanscznsc100mLFW5HRdPj0Y%26word%3D%25E6%258B%2589%25E5%258B%25BE%25E7%25BD%2591%26ck%3D1701.10.72.227.558.354.602.254%26shh%3Dwww.baidu.com%26sht%3D62095104_19_oem_dg%26us%3D1.0.1.0.1.301.0%26bc%3D110101; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2Flp%2Fhtml%2Fcommon.html%3Futm_source%3Dm_cf_cpc_baidu_pc%26m_kw%3Dbaidu_cpc_cd_e110f9_d2162e_%25E6%258B%2589%25E5%258B%25BE%25E7%25BD%2591; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1553064535,1554696044,1554707975; TG-TRACK-CODE=index_search; SEARCH_ID=16b25888bc6f489f981996ef505d6930; X_HTTP_TOKEN=3704e5535eab672a10080745514b2c7fac0430c282; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1554708001; LGRID=20190408152002-b9743b5b-59ce-11e9-9a84-525400f775ce",
    "X-Anit-Forge-Code":"0" ,
    "X-Anit-Forge-Token":'',
    "X-Requested-With":'XMLHttpRequest'
}

def get_detail_page_url():
    datas =[]
    url = 'https://www.lagou.com/jobs/positionAjax.json'
    form_data = {
        "first":"faise",
        "pn":1,
        "kd":"python"
    }
    params = {
        'city':'成都',
        'needAddtionalResult':'false'
    }
    for pn in range(1,14):
        form_data['pn'] = pn
        response = requests.request(method='post',url=url,headers=headers,params = params,data = form_data)
        result = response.json()
        result_list = result['content']['positionResult']['result']
        for position in result_list:
            position_id = position['positionId']
            detail_url = 'https://www.lagou.com/jobs/%s.html'%position_id
            data = parse_detail_page(detail_url)
            datas.append(data)
            time.sleep(2)
    return datas

def parse_detail_page(url):
    resonse = requests.request(method='get',url=url,headers = headers)
    text = resonse.text
    html = etree.fromstring(text,parser=etree.HTMLParser())
    position_name = html.xpath('//span[@class="name"]/text()')[0].strip()
    detail_list = html.xpath('//dd[@class="job_request"]//span')
    salary = detail_list[0].xpath('text()')[0].strip()
    city = detail_list[1].xpath('text()')[0].strip()
    city = re.sub(r'[\s/]','',city)
    work_years = detail_list[2].xpath('text()')[0].strip()
    work_years = re.sub(r'[\s/]','',work_years)
    education = detail_list[3].xpath('text()')[0].strip()
    education = re.sub(r'[\s/]','',education)
    job_details = ''.join(html.xpath('//div[@class="job-detail"]//p//text()'))
    data = {
       "position_name":position_name,
        "salay":salary,
        "city":city,
        "work_years":work_years,
        "education":education,
        "job_details":job_details

    }
    return data



def main():
    datas = get_detail_page_url()
    print(datas)

if __name__ == '__main__':
    main()

直接直接分析ajax調用的接口爬取

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By

from lxml import etree
import re
import time

class Lagouspider(object):
    driver_path = r'E:\study\chromedriver\chromedriver.exe'
    def __init__(self):
        self.driver = webdriver.Chrome(executable_path=Lagouspider.driver_path)
        self.url = 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput='
        self.positions = []

    def run(self):
        while True:
            self.driver.get(self.url)
            source = self.driver.page_source
            WebDriverWait(driver=self.driver,timeout=10).until(EC.presence_of_element_located((By.XPATH,'//div[@class="pager_container"]/span[last()]')))
            self.parse_list_page(source)
            next_btn = self.driver.find_element_by_xpath('//div[@class="pager_container"]/span[last()]')
            if "pager_next_disabled"  in next_btn.get_attribute('class'):
                break
            else:
                next_btn.click()
            time.sleep(1)

    def parse_list_page(self,source):
        html = etree.HTML(source)
        links = html.xpath('//a[@class="position_link"]/@href')
        for link in links:
            self.request_detail_page(link)
            time.sleep(1)

    def request_detail_page(self,url):
        self.driver.execute_script("window.open('%s')"%url)
        self.driver.switch_to.window(self.driver.window_handles[1])
        WebDriverWait(self.driver,timeout=10).until(EC.presence_of_element_located((By.XPATH,'//span[@class="name"]')))
        source = self.driver.page_source
        self.parse_detail_page(source)
        #關閉當前詳情頁
        self.driver.close()
        #切換回職位列表頁
        self.driver.switch_to.window(self.driver.window_handles[0])

    def parse_detail_page(self,source):
        html = etree.HTML(source)
        position_name = html.xpath('//span[@class="name"]/text()')[0].strip()
        detail_list = html.xpath('//dd[@class="job_request"]//span')
        salary = detail_list[0].xpath('text()')[0].strip()
        city = detail_list[1].xpath('text()')[0].strip()
        city = re.sub(r'[\s/]', '', city)
        work_years = detail_list[2].xpath('text()')[0].strip()
        work_years = re.sub(r'[\s/]', '', work_years)
        education = detail_list[3].xpath('text()')[0].strip()
        education = re.sub(r'[\s/]', '', education)
        desc = ''.join(html.xpath('//dd[@class="job_bt"]//text()')).strip()
        data = {
            "name": position_name,
            "salay": salary,
            "city": city,
            "work_years": work_years,
            "education": education,
            "desc": desc
        }
        print(data)
        print('+'*40)
        self.positions.append(data)

if __name__ == '__main__':
    spider = Lagouspider()
    spider.run()