动态网页(通过Ajax技术异步更新网页内容)的爬虫方法总结

动态网页数据抓取

什么是AJAX：

AJAX（Asynchronouse JavaScript And XML）异步JavaScript和XML。过在后台与服务器进行少量数据交换，Ajax 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下，对网页的某部分进行更新。传统的网页（不使用Ajax）如果需要更新内容，必须重载整个网页页面。因为传统的在传输数据格式方面，使用的是XML语法。因此叫做AJAX，其实现在数据交互基本上都是使用JSON。使用AJAX加载的数据，即使使用了JS，将数据渲染到了浏览器中，在右键->查看网页源代码还是不能看到通过ajax加载的数据，只能看到使用这个url加载的html代码。

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。不需要做一些解析工作。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上的一些行为，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是一个驱动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。以下列出了不同浏览器及其对应的driver：

1. Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads
2. Firefox：https://github.com/mozilla/geckodriver/releases
3. Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
4. Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

安装Selenium和chromedriver：

1. 安装Selenium,Selenium有很多语言的版本，有java、ruby、python等。我们下载python版本的就可以了。

    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。

   注意要下载与chrome浏览器对应版本的chromedriver,比如我的是版本 81.0.4044.129，对应的driver就是http://npm.taobao.org/mirrors/chromedriver/81.0.4044.20/

快速入门：

现在以一个简单的获取百度首页的例子来讲下Selenium和chromedriver如何快速入门：

from selenium import webdriver

# chromedriver的绝对路径
driver_path = r"C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe"

# 初始化一个driver，并且指定chromedriver的路径
driver = webdriver.Chrome(executable_path=driver_path)
# 请求网页
driver.get("https://www.baidu.com/")
# 通过page_source获取网页源代码
print(driver.page_source)

selenium常用操作：

更多教程请参考：http://selenium-python.readthedocs.io/installation.html#introduction

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来查找某个元素。等价于：

    submitTag = driver.find_element_by_id('su')
    submitTag1 = 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')
    submitTag1 = driver.find_element(By.CLASS_NAME,'su')
   

3. find_element_by_name
   

   ：根据name属性的值来查找元素。等价于：

    submitTag = driver.find_element_by_name('email')
    submitTag1 = 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')
    submitTag1 = 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')
    submitTag1 = driver.find_element(By.XPATH,'//div')
   

6. find_element_by_css_selector：根据css选择器选择元素。等价于：

    submitTag = driver.find_element_by_css_selector('//div')
    submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')
   

   要注意，find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。

import time

from selenium import webdriver

driver_path = r"C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe"
driver  = webdriver.Chrome(executable_path=driver_path)
# driver.get('http://baidu.com/')
"""选中一个元素"""
# input_tag = driver.find_element_by_id('kw')
# input_tag = driver.find_element_by_name('wd')
# input_tag = driver.find_element_by_class_name('s_ipt')
# input_tag = driver.find_element_by_xpath('//input[@id="kw"]')
# input_tag = driver.find_element_by_css_selector(".s_ipt")

# input_tag.send_keys('python') # 往百度的搜索框里填入python
"""选中多个元素"""
driver.get("https://www.qq.com/")
navagations = driver.find_elements_by_class_name("nav-item")
for x in navagations:
    print(x.text)
    if x.text=="NBA": # 如果是NBA的导航栏，就点击它
        x.click()
        break

# time.sleep(2)
# driver.quit()

如果只是想解析网页中的数据，那么推荐将网页源代码扔给lxml来解析，因为lxml的底层使用的是c语言，所以解析效率会更高

如果想要对元素进行进一步的操作，比如点击事件，输入文本框内容时就必须使用selenium给我们提供的查找元素的方法，因为它返回的元素对象内部封装了很多方法可以供我们进行操作，比如click

操作表单元素：

要操作表单元素，首先需要知道一个表单中包含哪些常用的元素，这需要一些html语法的基础,可以参见w3cschoolhttps://www.w3school.com.cn/html/html_forms.asp

• 常用的表单元素：
  input [type=‘text/password/email/number’ ‘submit’] 输入框
  button：input[type = ‘submit’] 一般是提交按钮
  checkbox：input[type = ‘checkbox’] 勾选，比如记住密码等选项
  select : 下拉列表

1. 操作输入框：分为两步。第一步：找到这个元素。第二步：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方法可以清除输入框中的内容。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：

   driver.get("https://www.douban.com/")
   driver.switch_to.frame(driver.find_element_by_xpath("//iframe[contains(@style,'height: 300px; width: 300px;')]")) # switch_to.frame函数解决无法选中元素的问题
   rememberTag = driver.find_element_by_name("remember")
   rememberTag.click() # 选中记得密码的checkbox
   rememberTag.click() # 点两次取消选中
   

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了。示例代码如下：

   <!DOCTYPE html>
   <html lang="en">
   <head