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')