动态网页数据抓取
文章目录
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:
- 直接分析ajax调用的接口。然后通过代码请求这个接口。
- 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:
- Chrome:https://sites.google.com/a/chromium.org/chromedriver/downloads
- Firefox:https://github.com/mozilla/geckodriver/releases
- Edge:https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
- Safari:https://webkit.org/blog/6900/webdriver-support-in-safari-10/
安装Selenium和chromedriver:
-
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
-
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:
driver.close()
:关闭当前页面。driver.quit()
:退出整个浏览器。
定位元素:
-
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')
-
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')
-
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')
-
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')
-
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')
-
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
-
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()
-
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
-
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