动态网页爬取
动态网页是相对于静态网页而言的 在某些网站,使用静态下载
器与解析器对页面进行解析时,如果没有发现任何数据 多数原因是该
网站的部分元素是动态生产的
目前流行两种方法:
1. 逆向分析爬取动态网页 手动分析网络面板ajax请求来进行信息采集
2. 在Chrome浏览器使用Selenium库模拟动态网页动作,直接从浏览器采集加载的数据
逆向爬取动态网页
对动态网页爬取实质是对页面进行逆向分析 核心是跟踪页面的交互行为使JavaScript触发机制
从而分析有用的调用(一般是发送http请求) 然后使用python直接访问逆向到的链接获取价值数据.
如何判断是静态还是动态网页
1.谷歌打开页面
2.打开开发者工具
3.点击元素
获取动态网页内容
import requests
import json
url = 'https://www.ptpress.com.cn/honor/getHonorListForPortal'
# 动态网页返回的是json
res = requests.get(url).text
print(res)
# 解析成字典
data = json.loads(res)
print(data)
# 取数据
news = data['data']
print(news)
for i in news:
picpath = i['picPath']
honorName = i['honorName']
print(picpath)
print(honorName)
使用Selenium库爬取动态网页
目前大多数的web都使用ajax 当页面加载一个页面 页面的元素以不同的时间间隔加载,使得定位元素较为困难
使页面等待可以解决这个问题
对于selenium提供了两种类型的等待 显性和隐性
显性的等待某条件发生的
隐式等待使webdriver等待是轮询
# selenium是一个自动化测试工具 可以模拟浏览器行为 可以方便的实现web界面的测试
from selenium import webdriver
url = 'https://www.ptpress.com.cn/search/books'
driver = webdriver.Chrome()
driver.get(url)
data = driver.page_source
print(data)
从搜索框得到网页 再爬取内容
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
from bs4 import BeautifulSoup
import time
import pymysql
url = 'https://www.ptpress.com.cn/search/books'
# 创建脚本
driver = webdriver.Chrome()
# 创建等待
wait = WebDriverWait(driver,10)
# 获得网站内容
driver.get(url)
# 查找搜索框
search_btn = driver.find_element(By.ID,"searchVal")
# 在搜索框发送python编程
search_btn.send_keys('python编程')
# 等待出现确认按钮
confirm_btn = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR,'#app > div:nth-child(1)>div>div>div>button>i'))
)
# 点击确认按钮
confirm_btn.click()
time.sleep(5)
# 拿到页面内容
html = driver.page_source
soup = BeautifulSoup(html,'lxml')
# 找到图片标签
# print(soup.prettify())
t = soup.find_all(class_='book_item')
print(t)
conn = pymysql.connect(host='127.0.0.1',port=3306,user='root',passwd='kunye666',db='spider',charset='utf8')
# 创建游标
cursor = conn.cursor()
for i in t:
# 拿到i下面的 一些标签 链式选择
print(i.img.get('src'))
print(i.p.string)
sql = 'insert into books(name,img) values(%s,%s)'
cursor.execute(sql,(i.p.string,i.img.get('src')))
conn.commit()
# 读取数据
cursor.execute('select * from books')
# 获得查询结果
data = cursor.fetchmany(100)
print(data)
conn.close()