AJAX介绍和爬取AJAX数据的两种方式

AJAX介绍和爬取AJAX数据的两种方式

什么是AJAX：

AJAX异步JavaScript和XML。在后台与服务器进行少量的数据交换。AJAX可以使网页实现异步更新。这意味着。可以不重新记载整个页面，对整个网页的某部分进行更新。传统的网页，如果需要更新，必须重载整个网页界面。其实现在数据交互基本上都是使用Json。

获取AJAX数据的方式：

1.直接分析ajax调用的接口，然后通过代码请求这个接口。

2.使用Selenium+chromedriver模拟浏览器行为获取数据

方式	优点	缺点
分析接口	直接可以请求到数据。不需要做一些分析工作。代码量少，性能高。	分析接口比较复杂，特别是一些通过js混淆的接口，要有一定的js功底。容易被发现是反爬虫。
selenium	直接模拟浏览器的行为。浏览器能请求到的，使用selenium也能请求到。爬虫更稳定。	代码量多，性能低。

Selenium+chromedriver获取动态数据

Selenium相当于是一个机器人。可以模拟人类在浏览器的一些行为，自动处理浏览器上的一些行为，比如点击，填充数据，删除cookie等。chromedriver是一个chrome浏览器的驱动程序，使用他才可以驱动浏览器。当然针对不同的浏览器有不同的driver。

安装Selenium和chromedriver:

1.安装Selenium

pip install selenium

2.安装chromedriver：下载完成后，放到不需要权限的纯英文目录下就可以了

快速入门：

from selenium import webdriver

driver_path = r'D:\chromedriver\chromedriver.exe'
url = 'https://www.baidu.com/'
driver = webdriver.Chrome(executable_path=driver_path)
driver.get(url)
# 获得网页源代码
print(driver.page_source)

selenium常用的操作

关闭页面

1.driver.close() : 关闭当前页面

2.driver.quit() ：退出整个浏览器

定位元素

1.find_element_by_id ：根据id查找某个元素。等价于：

submitTag = driver.find_element_by_id('su')
#或者第二种表达方式
submitTag = driver.find_element(By.ID,'su')

2.find_element_by_class_name:根据类名查找元素。等价于

submitTag = driver.find_element_by_class_name('su')
#第二种表达方式
submitTag = driver.find_element(By.CLASS_NAME,'su')

3.find_elements_by_name : 根据name属性的值来查找元素。

submitTag = driver.find_element_by_name('email')
#第二种表达方式
submitTag = driver.find_element(By.Name,'email')

4.find_element_by_tag_name ：根据标签名来查找元素。等价于

submitTag = driver.find_element_by_tag_name('div')
#第二种表达方法
submitTag = driver.find_element(By.TAG_NAME,'div')

5.find_element_by_xpath : 根据xpath语法来获取元素，等价于：

submitTag = driver.find_element_by_xpath('//div')
#第二种表达方式
submitTag = driver.find_element(By.XPATH,'//div')

如果使用包含By的第二种表达方式

则需要引入包

from selenium.webdriver.common.by import By

下面举一个例子

from selenium import webdriver

driver_path = r'D:\chromedriver\chromedriver.exe'
driver = webdriver.Chrome(executable_path=driver_path)
driver.get('https://www.baidu.com/')
input_tag = driver.find_element_by_id('kw')
input_tag.send_keys('python')
click_tag = driver.find_element_by_id('su')
click_tag.click()

如果只是想解析网页页面，推荐使用lxml结合网页源代码

from selenium import selenium
from lxml import etree

driver_path = r'D:\chromedriver\chromedriver.exe'
driver = webdriver.Chrome(executable_path=driver_path)
driver.get('https://www.baidu.com/')
html = etree.HTML(driver.page_source)
htnl.xpath("")

操作表单元素

1.操作输入框：分为两部。第一步：找到这个元素。第二部：使用send_keys(value)，将数据填充进去，示例代码如下：

inputTag = driver.find_element_by_id('kw')
inputTag.send_keys('python')

使用clear方法可以清楚输入框中的内容。示例代码如下：

inputTag.clear()

2.操作checkbox:因为要选中checkbox标签，在网页中是通过鼠标点击的。因此想要选中checkbox标签，那么先选中这个标签，然后执行click事件。示例代码如下：

rememberTag = driver.find_element_by_name('rememberMe')
rememberTag.click()

3.选择select:select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中，创建这个对象。以后就可以使用这个对象进行选择。示例代码如下：

from selenium.webdriver.support.ui import Select
#选中这个标签，然后使用Select创建对象
selectTag = Select(driver.find_element_by_name("jumpMenu"))
#根据索引选择
selectTag.select_by_index(1)
#根据值选择
selectTag.select_by_visible_text("95秀客户端")
#去校选中的所有选项
selectTag.deselect_all()

4.操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。示例代码如下：

inputTag = driver.find_element_by_id('su')
inputTag.click()

鼠标行为链：

有时候对数表的操作可能要有很多不，那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并只想点击事件。那么示例代码如下：

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()

还有更多的鼠标相关的操作。

click_and_hold(elelment):点击但不松开鼠标

context_click(element)右键点击

double_click(element)双击

Cookie操作

1.获取所有的cookie

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

2.根据cookie的key获取value

value = driver.get_cookie(key)

3.删除所有的cookie:

driver.delete_all_cookies()

4.删除某个cookie

driver.delete_cookie(key)

页面等待

现在的网页越来越多采用了Ajax技术，这样程序便不能确定何使某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的代码直接使用了WebElement,那么就会抛出NullPointer的一场。为了解决这个问题。所以Selenium提出了两种等待方式，一种是隐式等待，一种是显式等待。

1.隐式等待：调用driver.implicitly_wait 。那么在获取任何元素之前，会先等待10秒的时间，示例代码如下：

driver = webdriver.Chrome(executable_path = driver_path)
driver.implicitly_wait(10)
#请求网页
driver.get("https://www.douban.com/")

2.显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.ui.WebDriverWait来配合完成，示例代码如下：

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.Chrome()
driver.get('url')
try:
	element = WebDriverWait(driver,10).until(
		EC.presence_of_element_located(By.ID,"myDynamicElement"))
	)
finally:
	driver.quit()

3.一些其他的等待条件

presence_of_element_located:某个元素已经加载完毕了

presence_of_all_element_located:网页中所有满足条件的元素都加载完毕了

element_to_be_cliable:某个元素是可以点击了。

切换页面：

有时候串口有很多子tab页面。这时候肯定需要进行切换。selenium提供了一个叫做switch_to_window来进行切换，具体切换到哪个页面，可以从driver.window_handles中找到。示例代码如下：

#打开一个新的页面
self.driver.execute_script("window.open('"+url+"')")
#切换到这个新的页面中
self.driver.switch_to_window(self.driver.window_handles[1])

--------------------------------------------------------------
from selenium import webdriver

driver_path = r'D:\chromedriver\chromedriver.exe'
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com/")
driver.execute_script("window.open('https://www.douban.com/')")
driver.switch_to.window(driver.window_handles[1])
print(driver.page_source)

WebElement元素：

from selenium.webdriver.remote.webelement import WebElement类是每一个获取出来的元素的所属类。

有一些常用的属性：

1.get_attribute:这个标签的某个属性的值。

2.screentshot:获取当前页面的截图。这个方法只能在driver上使用。

driver的对象类，也是继承自WebElement。

selenium设置代理IP,以Chrome浏览器为例

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server = http://110.73.2.248:8123")
driver_path = r'D:\chromedriver\chromedriver.exe'
driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)

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