手把手学爬虫第三弹——爬取动态渲染的信息

最新推荐文章于 2024-05-01 17:58:32 发布
最新推荐文章于 2024-05-01 17:58:32 发布
阅读量1.8k 收藏 10
点赞数 3
分类专栏： python笔记 文章标签： ajax 爬虫 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/k1507157/article/details/120368122
版权

目录

一、什么是动态渲染信息？

    学过网页开发相关的都知道很多网页数据并不是一次就返回全部，需要向服务器发送异步请求获取数据。在爬取此类信息的时候可以在浏览器中分析Ajax和JS请求的数据。本文我将和大家一起学习如何使用Ajax、Selenium和Splash技术获取动态数据。

二、Ajax数据爬取

    Ajax是一种新的网页数据交互技术，它可以在页面不刷新、不更改页面链接的情况下与服务器交换数据并更新网页部分内容。
下面我们以原神官网的角色加载为例介绍。

1.分析网页请求

请添加图片描述

2.查看请求数据

这类数据一般会以json格式返回，为了方便查好数据，给大家推荐一个JSON数据在线格式化的网站。JSON在线格式化
请添加图片描述

3.请求数据

分析完请求以及返回的数据之后就可以开始怕取数据了，请求代码展示如下，返回数据正常。

# -*- coding: utf-8 -*-
# @Time : 2021/9/18 16:03
# @Author : KK
# @File : 40_原神官网.py
# @Software: PyCharm 
import requests

headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'}


def get_data(url):
    try:
        response = requests.get(url=url, headers=headers)
        print(response.json())

    except:
        pass


if __name__ == '__main__':
    url = 'https://ys.mihoyo.com/content/ysCn/getContentList?pageSize=20&pageNum=1&order=asc&channelId=150'
    get_data(url)

请添加图片描述

4.清洗数据

对于返回的JSON格式的数据我们不需要任何选择器就可以直接获取，注意看清数据的层次结构，这样我们就可以一层层获取我们需要的数据了，获取的时候参照格式化后的代码即可。
格式化后的数据如下，显然我们需要的数据在list这个列表里面，所以我们先拿到这个list，然后去遍历list进一步取出里面的数据。
请添加图片描述

def get_data(url):
    try:
        yinpin = []
        tu_url = None
        jianjie = None
        response = requests.get(url=url, headers=headers)
        # print(response.json())
        res = response.json()
        data_list = res['data']['list']  # 获取到list数据
        # print(data_list)
        i = 1
        for each in data_list:
            print('正在爬取第{}个角色..'.format(i))
            i = i + 1
            id = each['id']  # 角色id
            title = each['title']  # 角色名字
            start_time = each['start_time']  # 角色上线时间
            ext_list = each['ext']
            for item in ext_list:
                if item['arrtName'] == '角色-PC端主图':  # 角色主图
                    tu_url = item['value'][0]['url']
                elif item['arrtName'] == '角色-简介':  # 角色简介
                    jianjie = processing(item['value'])
                elif item['arrtName'] == '角色-音频1-2':  # 可以使用正则匹配所有的
                    yinpin = item['value'][0]['name'] + '||' + item['value'][0]['url']  # 一条配音链接
            data = {
                "角色ID": id,
                "角色名称": title,
                "上线时间": start_time,
                "高清图片": tu_url,
                "角色简介": jianjie,
                "角色配音": yinpin,
            }
            # print(data)
            dict_infor.append(data)
        # print(dict_infor)
    except ZeroDivisionError as e:
        print("except:", e)
    finally:
        pass

5.完整代码以及效果截图

# -*- coding: utf-8 -*-
# @Time : 2021/9/18 16:03
# @Author : KK
# @File : 40_原神官网.py
# @Software: PyCharm 
import requests
import re
import csv
import time

headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'}

dict_infor = []


# 处理字符串中的空白符，并拼接字符串
def processing(strs):
    n = strs.replace('<p>', '').replace('<br />\n', '').replace('</p>\n', '').replace('\n', '')  # 去除空字符
    return n  # 返回拼接后的字符串


def get_data(url):
    try:
        yinpin = []
        tu_url = None
        jianjie = None
        response = requests.get(url=url, headers=headers)
        # print(response.json())
        res = response.json()
        data_list = res['data']['list']  # 获取到list数据
        # print(data_list)
        i = 1
        for each in data_list:
            print('正在爬取第{}个角色..'.format(i))
            i = i + 1
            id = each['id']  # 角色id
            title = each['title']  # 角色名字
            start_time = each['start_time']  # 角色上线时间
            ext_list = each['ext']
            for item in ext_list:
                if item['arrtName'] == '角色-PC端主图':  # 角色主图
                    tu_url = item['value'][0]['url']
                elif item['arrtName'] == '角色-简介':  # 角色简介
                    jianjie = processing(item['value'])
                elif item['arrtName'] == '角色-音频1-2':  # 可以使用正则匹配所有的
                    yinpin = item['value'][0]['name'] + '||' + item['value'][0]['url']  # 一条配音链接
            data = {
                "角色ID": id,
                "角色名称": title,
                "上线时间": start_time,
                "高清图片": tu_url,
                "角色简介": jianjie,
                "角色配音": yinpin,
            }
            # print(data)
            dict_infor.append(data)
        # print(dict_infor)
    except ZeroDivisionError as e:
        print("except:", e)
    finally:
        pass


def get_url():
    page_list = [150, 151, 324]
    for i in page_list:
        url = 'https://ys.mihoyo.com/content/ysCn/getContentList?pageSize=20&pageNum=1&order=asc&channelId={}'.format(i)
        get_data(url)


if __name__ == '__main__':
    get_url()
    # 保存到csv
    with open(r'E:\python\pythonProject3\venv\Include\原神.csv', 'a', encoding='utf-8', newline='') as cf:
        writer = csv.DictWriter(cf, fieldnames=['角色ID', '角色名称', '上线时间', '高清图片', '角色简介', '角色配音'])
        writer.writeheader()
        writer.writerows(dict_infor)
        time.sleep(1)
    print('爬取并保存完毕')

请添加图片描述

6.分析总结

通过上面的代码可以发现，对于这类数据的爬取其实和requests请求方式差不多，主要区别在于我们获取到的数据不同，对于JSON数据我们同样进行适当的处理，获取我们想要的数据。

三、Selenium爬取动态数据

    Selenium是浏览器自动化测试框架，是一个用于web测试的工具，可以直接在浏览器中运行，并可驱动浏览器执行一定的操作，例如点击、下拉等，还可以获取浏览器当前页面的源代码。

1.安装Selenium以及浏览器驱动

在pycharm搜索安装selenium模块或者直接控制台pip install selenium命令行安装。
由于该框架需要浏览器驱动，我们根据自己所使用的浏览器下载对应版本即可。
chrome浏览器驱动
Firefox浏览器驱动
IE浏览器驱动

2.Selenium使用准备

下载完成后将名称chromedriver.exe的文件提取出来放在与自己的python.exe文件同级的路径中。
请添加图片描述

3.Selenium模块常用方法

查阅官网文档

a.定位元素
模块名称使用
find_element_by_id()
find_element_by_name()
find_element_by_xpath()
find_element_by_link_text()
find_element_by_partial_link_text()查询返回单个元素
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
模块名称使用
find_elements_by_name()
find_elements_by_xpath()
find_elements_by_link_text()
find_elements_by_partial_link_text()查询返回多个元素
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector
b.鼠标操作
模块问题
click()点击元素
context_click(elem)右击鼠标、点击元素、另存为
double_click(elem)双击鼠标
move_to_hold(elem)鼠标光标移动到一个元素上
click_and_hold(elem)在一个元素上按下鼠标左键
c.键盘操作

请添加图片描述

4.Selenium使用

上面我们看了这个模块的一些常用参数，接下来我们以某东购物网站为例讲解如何使用。大致思路是先生成一个浏览器对象，然后使用常用方法模拟输入搜索关键字并搜索，然后获取搜索的页面数据并解析。

请添加图片描述
请添加图片描述

# -*- coding: utf-8 -*-
# @Time : 2021/9/19 0:11
# @Author : KK
# @File : 41_selenium.py
# @Software: PyCharm
from selenium import webdriver
import time
import csv
import re

def change_str(strs):
    strs = strs.replace("京东超市", "").replace("\n", "")
    return strs


# 获取商品
def get_product(key_word):
    # 定位输入框
    browser.find_element_by_id("key").send_keys(key_word)
    # 定义点击按钮，并点击
    browser.find_element_by_class_name('button').click()
    browser.maximize_window()
    # 等待20秒，方便手动登录
    # time.sleep(20)
    # 定位这个“页码”，获取“共100页这个文本”
    page = browser.find_element_by_xpath('//*[@id="J_bottomPage"]/span[2]/em[1]/b').text
    print(page)
    return page


# 获取数据
def get_data():
    # 所有的信息都在items节点下
    items = browser.find_elements_by_xpath('//*[@id="J_goodsList"]/ul/li')
    # print(type(items))
    for item in items:
        # 名称
        pro_descs = item.find_element_by_xpath('.//div[@class="p-name p-name-type-2"]/a').text
        pro_desc = change_str(pro_descs)
        # 价格
        pro_price = item.find_element_by_xpath('.//div[@class="p-price"]/strong/i').text
        # # 付款人数
        buy_num = item.find_element_by_xpath('.//div[@class="p-commit"]/strong/a').text
        # # 店铺
        shop = item.find_element_by_xpath('.//div[@class="p-shop"]/span[@class="J_im_icon"]/a').text
        with open(r'E:\python\pythonProject3\venv\Include\京东月饼.csv', mode='a', newline='', encoding='utf-8-sig') as f:
            csv_writer = csv.writer(f, delimiter=',')
            csv_writer.writerow([pro_desc, pro_price, buy_num, shop])


if __name__ == '__main__':
    # key_word = input("请输入您要搜索的商品：")
    key_word = "月饼"
    browser = webdriver.Chrome()
    browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
        'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'
    })
    browser.get('https://www.jd.com/?cu=true&utm_source=baidu-pinzhuan&utm_medium=cpc&utm_campaign=t_288551095_baidupinzhuan&utm_term=0f3d30c8dba7459bb52f2eb5eba8ac7d_0_322db0e3896548d38f025a79a5462747')
    page = get_product(key_word)
    # print(page)
    get_data()
    page_i = 1
    while int(page) != page_i:
        print("正在爬取第{}页".format(page_i + 1))
        print("---------- 分割线 ----------")
        browser.get('https://search.jd.com/Search?keyword={}&page={}'.format(key_word, (page_i * 2) - 1))
        browser.implicitly_wait(15)
        get_data()
        page_i += 1
    print("爬取结束！")

请添加图片描述
请添加图片描述

5.分析总结

通过上面的讲解以及实例可以发现，selenium主要用于爬取动态数据，类似于购物网站等，其优点在于模拟人访问网站的方式获取数据，高效便捷。

四、总结

这篇文章有别于前面的爬虫，主要是爬取非常规网站数据，这类网站大多使用js或其他途径加载数据，普通爬虫不能获取有效信息。
下期我们将会学习如何爬取手机app的数据。

author： KK
time ：2021年9月22日19:33:14
flag：6/30

专业bug开发
关注
专栏目录
34.12 Python类·练习题——《跟老吕学Python·新手》
Python老吕的博客
05-02 60
类的构造方法可以调用父类的构造方法吗？类的继承中，子类可以扩展父类的功能吗？类的实例变量通常使用哪个变量名表示？类的私有属性和公共属性的区别是什么？类的实例化是在哪个作用域下进行的？类的实例属性可以在类的外部访问吗？类的静态方法和类方法的区别是什么？类的实例属性和类属性的区别是什么？类的类属性可以在实例化后修改吗？类的多态性在哪个场景下非常有用？类的静态方法可以被子类继承吗？类的实例属性可以在类外定义吗？类的构造方法可以被子类重写吗？类的析构方法可以被子类重写吗？类的特殊方法可以被子类重写吗？
【Python爬虫】_04Selenium爬取动态渲染页面
清平乐的技术专栏
10-27 1401
动态渲染说白了就是js渲染，模拟浏览器器操作爬取页面，一般可用来作自动化测试 一、安装和配置Selenium、ChromeDriver pip3 install selenium 安装ChromeDriver ChromeDriver与Chrome对照表 ChromeDriver v2.41 (2018-07-27)—————Supports Chrome v67-69 ChromeDriver ...
使用 Scrapy + Selenium 爬取动态渲染的页面
ceshiren456的博客
05-24 1596
背景 在通过scrapy框架进行某些网站数据爬取的时候，往往会碰到页面动态数据加载的情况发生，如果直接使用scrapy对其url发请求，是绝对获取不到那部分动态加载出来的数据值。但是通过观察我们会发现，通过浏览器进行url请求发送则会加载出对应的动态加载出的数据。那么如果我们想要在scrapy也获取动态加载出的数据，则必须使用selenium创建浏览器对象，然后通过该浏览器对象进行请求发送，获取动态加载的数据值. 本文分享scrapy的介绍和如何配合selenium实现动态网页的爬取。 Scrapy
[Python3网络爬虫开发实战] 7-动态渲染页面爬取-1-Selenium的使用
weixin_34332905的博客
03-28 466
在前一章中，我们了解了Ajax的分析和抓取方式，这其实也是JavaScript动态渲染的页面的一种情形，通过直接分析Ajax，我们仍然可以借助requests或urllib来实现数据爬取。不过JavaScript动态渲染的页面不止Ajax这一种。比如中国青年网（详见news.youth.cn/gn/），它的分页部分是由JavaScript生成的，并非原始HTML代码，这其中并不包含Ajax请求。比...
手把手学爬虫第三弹——爬取动态渲染的信息(1)，Python面试题2024
m0_61418075的博客
04-14 1034
通过上面的代码可以发现，对于这类数据的爬取其实和requests请求方式差不多，主要区别在于我们获取到的数据不同，对于JSON数据我们同样进行适当的处理，获取我们想要的数据。三、Selenium爬取动态数据Selenium是浏览器自动化测试框架，是一个用于web测试的工具，可以直接在浏览器中运行，并可驱动浏览器执行一定的操作，例如点击、下拉等，还可以获取浏览器当前页面的源代码。
2024年手把手学爬虫第二弹——Scrapy框架
最新发布
2301_82243979的博客
05-01 972
definitself.ua = UserAgent() # 随机请求头对象。
Python爬虫，手把手教你爬取QQ空间信息
m0_60349973的博客
08-06 6838
前言： 现在流行着一句话，遇事不要慌，朋友圈走一波。不知道还有多少人记得QQ空间，这可是QQ那个年代的青春啊，哎呀，不小心暴露了年龄。好了，废话不多说了，今天来教各位如何爬取QQ空间的信息。 ...
学习 Python 爬虫，手把手通过 Python 入门爬取网页信息
edenkyle的博客
05-06 3350
网络上收集资料的过程其实就称之为爬虫（web scraping）。网络编程背景下的爬虫强调自动化，通过 Python 编程实现自动爬取资源，从而减少人力资源与精力消耗，提高效率。这篇文章将通过虚构的求职网站 Fake Python 以及使用 Lightly 展示完整的项目代码，动手在浏览器中编写代码，了解 Python 爬虫。
python爬虫之动态渲染页面的爬取Selenium
hehui1uu的博客
05-13 1156
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、Selenium是什么？二、使用步骤1.安装2.Selenium定位元素使用形式控制浏览器方法WebDriver常用方法鼠标事件与键盘事件鼠标事件键盘事件实际问题解决设置元素等待显示等待隐式等待多表单切换每日一图 前言 在实际情况中有许多网站部分网页并非原始HTML代码
动态渲染页面的爬取（项目案例：爬取今日头条热点新闻）
Triumph19的博客
07-20 1140
声明：本文内容来自 张涛的《从零开始学Scrapy网络爬虫》 在使用Selenium的过程中，我们驱动的都是Chrome、FireFox等有界面的浏览器，效率极低。对爬虫来说，只要能高效地获取数据，有无界面根本无关紧要，因此本项目选择使用无界面的浏览器PhantomJS。 1.准备工作 项目开始强，要保证必要的环境已经成功搭建。主要有Selenium和PhantomJS。 （1）使用pip安装Selenium。 pip install selenium （2）下载PhantomJS驱动并配置环境
[Golang] 爬虫实战-获取动态页面数据-获取校招信息
Jing_Hua
05-07 1649
😚一个不甘平凡的普通人，致力于为Golang社区和算法学习做出贡献，期待您的关注和认可，陪您一起学习打卡！！！😘😘😘文章介绍：爬取网站的招聘信息方法：使用go自带的http包中的方法去爬取相应的数据。
不止是动态渲染反爬虫
成都_杨洋
04-03 1412
动态网页比静态网页更具有交互性，能给用户提供更好的体验。动态网页中常见的表现形式有下拉刷新，点击切换和悬停显示等。有Javascript改变HTML_DOM导致页面内容发生变化的现象称为动态渲染。很多时候开发者只是想完成某个交互功能，而不是特意区分正常用户的爬虫程序，但这在不经意间限制了爬虫对数据的获取。由于编程语言没有像浏览器一样内置Javascript解释器和渲染引擎，所以动态渲染是天然的反爬...
python爬虫系列第四次笔记之动态渲染页面爬取
qq_37247018的博客
01-19 1085
为了解决异步渲染网页，我们直接模拟浏览器运行的方式来实现，这样就可以左到在浏览器中看到什么样，抓取的源码就是什么样，也就是可见即可爬。这样我们就可以不用管网页内部的javascript用了什么算法渲染页面，也就是所谓的js加密，也不用管网页后台的Ajax接口有哪些参数。 1Selenium的使用 在使用selenium之前，需要安装Driver文件，有ChromeDriver(适用chrome),GeckoDriver(适用firefox),PhantomJS。如何下载到csdn上直接搜索就有，需要注意的是
python爬虫——基于小案例学习（客户端渲染）
Wu_L7的博客
09-25 625
我的第一个python爬虫——基于小案例学习（客户端渲染）
Python爬虫基础(三) —— 爬取动态渲染页面
hellocoding的博客
03-17 6024
文章目录使用Selenium库例子引入声明游览器对象访问页面查找节点单个节点多个节点节点交互动作链模拟执行javascript获取节点信息获取属性获取文本值获取id，位置，标签名和大小切换Frame延时等待隐式等待显示等待前进和后退Cookies选项卡管理   虽然有些通过ajax动态渲染出来的页面通过对请求链接的分析我们仍然可以使用urllib或requests库来进行数据爬取，但javascr...
如何用 docker 搭建虚拟环境
ceshiren456的博客
05-24 1525
简述 Docker 是一个开源的应用容器引擎，基于Go语言开发。 它的容器是进程级别完全使用沙箱机制，相互之间无任何调用,更为重要的是容器性能开销极低,不同容器之间又可以共享同一个cpu、内存等硬件资源。 本文分享如何使用docker搭建linux虚拟机,包含下载镜像、启动容器及后台运行、将宿主机端口和目录映射到虚拟机、基于容器生成本地镜像、将本地镜像实现导入新宿主机以达到软件运行环境完整迁移目的。 以centsos7为例 下载镜像 https://hub.docker.com/_/cento
python动态获取对象的属性和方法
python学习者的博客
11-04 814
首先通过一个例子来看一下本文中可能用到的对象和相关概念。 #coding:utf-8 import sys def foo():pass class Cat(object): def __init__(self, name='Kitty'): self.name = name def sayHi(self): print self.name, 'says Hi!' cat = Cat() print Cat.sayHi print cat.sayHi
手把手教你学dsp——基于tms320f28335pdf
09-04
TMS320F28335是德州仪器（TI）推出的一款数字信号处理器（DSP），用于实现各种实时控制和信号处理应用。学习DSP需要掌握相关的基本知识和编程技巧。 首先，我们可以通过阅读TMS320F28335的官方文档，即TMS320F28335的PDF手册。该手册详细介绍了DSP的硬件架构、指令集、寄存器和外设等内容。通过仔细阅读和理解手册，我们可以全面掌握DSP的基本结构和工作原理。 其次，我们可以选择一个合适的开发环境，如Code Composer Studio（CCS），这是TI为DSP开发提供的集成开发环境。在CCS中，我们可以创建新的项目并配置编译器和调试器。通过CCS集成的调试功能，我们可以方便地调试和验证自己的DSP程序。 为了更好地学习DSP，我们可以按照以下步骤进行实践： 1.了解DSP的基本概念和数学原理，如离散傅里叶变换（DFT）、离散时间傅里叶变换（DTFT）等。 2.学习DSP的编程语言，如C语言或汇编语言。TI提供了DSP的编程工具包，可以帮助我们编写和调试DSP程序。 3.选择合适的实例或项目来进行实践。可以通过加载预定义的DSP库函数或手动编写代码来实现信号滤波、变换、调制等功能。 4.通过仿真和调试，验证自己的程序是否符合预期。根据调试结果进行修改和改进，直到达到要求。 5.不断学习和积累经验，参考相关的书籍和教程，学习其他高级的DSP算法和应用。 总之，学习DSP需要理论和实践相结合。通过阅读TMS320F28335的官方文档，配置开发环境，学习基本概念和编程语言，进行实践和调试，我们可以逐步掌握DSP的原理和应用。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值