動態網頁爬蟲

時間 2019-11-21

原文原文鏈接

Ajax是什麼

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，不須要作任何解析工做，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，容易被發現是爬蟲
selenium	直接模擬瀏覽器的行爲，瀏覽器能夠請求到的，使用 selenium 也能請求到，比較穩定	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html

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，針對不一樣的瀏覽器有不一樣的driverjava

安裝 `selenium` + `chromedriver`

安裝selenium：selenium有不少語言的版本，有java、ruby、python等 pip install selenium
安裝chromedriver：下載和本身瀏覽器版本對應的文件，放到不須要權限的純英文目錄下就能夠了

簡單使用

以一個簡單的獲取百度首頁的例子使用 selenium和chromedriverpython

from selenium import webdriver

# chromedriver的絕對路徑
driver_path = r'D:\Program Files\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.meowv.com/')

# 經過page_source獲取網頁源代碼
print(driver.page_source)

selenium 經常使用的操做

官方文檔：https://selenium-python.readthedocs.io/installation.html#introductiongit

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

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

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

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

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

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

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

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

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

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 inputTag.clear()github

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

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

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_id("city-select"))
# 根據索引選擇
selectTag.select_by_index(1)
# 根據值選擇
selectTag.select_by_value("https://news.hao123.com/wangzhi")
# 根據可視的文本選擇
selectTag.select_by_visible_text("上海")
# 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

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web

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ajax

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valuechrome

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。api

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。

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.

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

driver_path = r'D:\Program Files\chromedriver\chromedriver.exe'
driver = webdriver.Chrome(executable_path=driver_path)

driver.get('https://www.douban.com/')
driver.implicitly_wait(20)

element = WebDriverWait(driver, 10).until(
    EC.presence_of_element_located((By.NAME, 'phone'))
)
print(element)

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。

# 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

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://132.232.126.92:8888")
driver_path = r"D:\Program Files\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)

driver.get('http://httpbin.org/ip')