在python使用selenium获取动态网页信息并用BeautifulSoup进行解析--动态网页爬虫
转自:https://www.cnblogs.com/bugingcode/p/8297665.html
爬虫抓取数据时有些数据是动态数据,例如是用js动态加载的,使用普通的urllib2
抓取数据是找不到相关数据的,这是爬虫初学者在使用的过程中,最容易发生的情况,明明在浏览器里有相应的信息,但是在python抓取的网页中缺少了对应的信息,这通常是网页使用的是js异步加载数据,在动态显示出来。一种处理方式是找出相应的js接口,但是有时这是非常难得,因为还的分析js的调用参数,而有些参数是有加密的,还的进行解密操作;另一种出来方式是python调用浏览器,控制浏览器返回相应的信息,这也是本文要介绍的selenium
。
安装selenium
在python下安装selenium,命令:
pip install -U selenium
测试是否成功:
#!/usr/bin/python
#coding=utf-8
"""
start python 项目
"""
from selenium import webdriver
browser = webdriver.Firefox() # Get local session of firefox
browser.get("http://www.baidu.com") # Load page
print browser.page_source
虽然selenium
安装成功了,但是还是会报错:
selenium.common.exceptions.WebDriverException: Message: 'geckodriver' executable needs to be in PATH.
这是因为:
使用pip安装selenium,默认安装的是最新版本的selenium,使用pip list查了一下我的selenium版本,是3.4.2的,firefox版本,是43.0.1的,selenium 3.x开始,webdriver/firefox/webdriver.py的__init__中,executable_path="geckodriver";而2.x是executable_path="wires"
把firefox升级到最新版本
下载地址:https://github.com/mozilla/geckodriver/releases
,根据自己的电脑,下载的win64位的;
在firefox的安装目录下,解压geckodriver,然后将该路径添加到path环境变量下。
selenium
的文档在 http://selenium-python.readthedocs.io/api.html
下可进行相应的研究。
使用BeautifulSoup进行html的解析
如果对BeautifulSoup
还不了解的话,可以参看这篇文章 http://www.bugingcode.com/python_start/ex12.html
找到了得到了html后使用 BeautifulSoup可以进行解析。
from bs4 import BeautifulSoup
bs = BeautifulSoup(browser.page_source, "lxml")