爬虫——加载静态页面或者页面登录等

在许多网站中我们会用到登录才能看到的页面，或者需要浏览器加载的静态js显示出来的页面才能获取其中的内容
我们就需要模拟登录或者模拟成浏览器

requests（比较复杂）

比如用模拟登录gitbug网站

import requests
from bs4 import BeautifulSoup

# 模拟表单提交
def main():
    resp = requests.get('https://github.com/login')
    if resp.status_code != 200:
        return
    cookes = resp.cookies.get_dict()
    soup = BeautifulSoup(resp.text, 'lxml')
    utf8_vale = soup.select_one('form input[name=utf8]').attrs['value']
    anth_token = soup.select_one('form input[name=authenticity_token]').attrs['value']
    # 模拟登陆
    data = {
        'utf8': utf8_vale,
        'authenticity_token': anth_token,
        'login': '登录帐号',
        'password': '密码'
    }
    resp = requests.post('https://github.com/session', data=data,
                         cookies=cookes)
    print(resp.text)


if __name__ == '__main__':
    main()

robobrowser

早有人已经封装好了该函数因此需要下载

pip install robobrowser

更为简单清晰的运用了上面的方式

import robobrowser

# 模拟表单提交
def main():
    b = robobrowser.RoboBrowser()
    b.open('https://github.com/login')
    f = b.get_form(action='/session')
    f['login'].value = '帐号'
    f['password'].value = '密码'
    b.submit_form(f)
    # 获取所有的<a>标签
    for a_tar in b.select('a[href]'):
        print(a_tar.attrs['href'])


if __name__ == '__main__':
    main()

模拟打开浏览器

这里就需要下载对应浏览器的驱动，并且需要放在python的环境变量中才能运兴

pip install selenium

from selenium import webdriver
from bs4 import BeautifulSoup
# 模拟浏览器内核提交
from selenium.webdriver.common.keys import Keys


def main():
    # 下载对应驱动
    driver = webdriver.Chrome()
    # 打开网页
    driver.get('https://v.taobao.com/v/content/live?spm=a21xh.11312869.liveList.6.75a8627fSrhNKg&catetype=704')
    # 找到搜索框
    ele = driver.find_element_by_css_selector('input[placeholder="输入关键词搜索"]')
    # 输入运动然后查找该页面中所有的图片地址
    ele.send_keys('运动')
    ele.send_keys(Keys.ENTER)
    soup = BeautifulSoup(driver,'lxml')
    for img_tag in soup.body.select('img[src]'):
        print(img_tag.attrs['src'])



if __name__ == '__main__':
    main()