我们在对网站进行爬取的时候,经常会发现有些动态的内容我们是无法获取的,或者是通过js渲染或者是通过ajax或者是通过二次请求。总之,我们能够得到的只是静态页面。比如豆瓣读书的网页。可以运行下面的代码一试。
import requests
from lxml import etree
se_url = 'https://book.douban.com/subject_search?search_text=Python&cat=1001&start=0'
headers = {'user-agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:67.0) Gecko/20100101 Firefox/67.0'}
response = requests.get(url=se_url,headers=headers)
contents = response.content.decode('utf-8')
print(contents)
对于这种情况我们仍然有办法可以获取到其中的动态内容,这里就需要介绍一下一个新的工具以及一个新的模块—>selnium及PhantomJS
下面是使用
from lxml import etree
from selenium import webdriver
#通过豆瓣读书的案例可以发现对于某些通过js加载的内容,我们是没有办法获取到其中内容的,因此就需要使用selenium模块
driver = webdriver.PhantomJS(executable_path=r'C:\python3.5.3\phantomjs-2.1.1-windows\bin\phantomjs.exe')
driver.get('https://book.douban.com/subject_search?search_text=Python&cat=1001&start=0')
name = driver.find_element_by_class_name('title-text').text
print(name)
# 也可以将响应内容转成xpath对象后再使用xpath方法后进行数据的提取
driver = webdriver.PhantomJS(executable_path=r'C:\python3.5.3\phantomjs-2.1.1-windows\bin\phantomjs.exe')
driver.get('https://book.douban.com/subject_search?search_text=Python&cat=1001&start=0')
contents = etree.HTML(driver.page_source)
bookneme = contents.xpath('.//a[@class="title-text"]/text()')
print(bookneme)
Selenium
Selenium是一个Web的自动化测试工具,最初是为网站自动化测试而开发的,类型像我们玩游戏用的按键精灵,可以按指定的命令自动操作,不同是Selenium 可以直接运行在浏览器上,它支持所有主流的浏览器(包括PhantomJS这些无界面的浏览器)。
Selenium 可以根据我们的指令,让浏览器自动加载页面,获取需要的数据,甚至页面截屏,或者判断网站上某些动作是否发生。
Selenium 自己不带浏览器,不支持浏览器的功能,它需要与第三方浏览器结合在一起才能使用。但是我们有时候需要让它内嵌在代码中运行,所以我们可以用一个叫 PhantomJS 的工具代替真实的浏览器。
可以从 PyPI 网站下载 Selenium库https://pypi.python.org/simple/selenium ,也可以用 第三方管理器 pip用命令安装:pip install selenium==2.48.0
PhantomJS
PhantomJS 是一个基于Webkit的“无界面”(headless)浏览器,它会把网站加载到内存并执行页面上的 JavaScript,因为不会展示图形界面,所以运行起来比完整的浏览器要高效。
如果我们把 Selenium 和 PhantomJS 结合在一起,就可以运行一个非常强大的网络爬虫了,这个爬虫可以处理 JavaScrip、Cookie、headers,以及任何我们真实用户需要做的事情。
注意:PhantomJS 只能从它的官方网站http://phantomjs.org/download.html) 下载。 因为 PhantomJS 是一个功能完善(虽然无界面)的浏览器而非一个 Python 库,所以它不需要像 Python 的其他库一样安装,但我们可以通过Selenium调用PhantomJS来直接使用。
下载–解压,然后,
设置环境变量:C:\Users\cz\Downloads\phantomjs-2.1.1-windows\bin
打开终端命令行,输入:phantomjs,能够进行到phantomjs命令行,则表示安装成功,如下图所示:
如何使用
Selenium 库里有个叫 WebDriver 的 API。WebDriver 有点儿像可以加载网站的浏览器,但是它也可以像 BeautifulSoup 或者其他 Selector 对象一样用来查找页面元素,与页面上的元素进行交互 (发送文本、点击等),以及执行其他动作来运行网络爬虫。
# 导入 webdriver
from selenium import webdriver
import time
# 要想调用键盘按键操作需要引入keys包
from selenium.webdriver.common.keys import Keys
# 调用环境变量指定的PhantomJS浏览器创建浏览器对象
driver = webdriver.PhantomJS()
# 如果没有在环境变量指定PhantomJS位置
# driver = webdriver.PhantomJS(executable_path="./phantomjs"))
#例如:self.browser = webdriver.PhantomJS(executable_path=r"D:\phantomjs-2.1.1-windows\bin\phantomjs.exe")
# get方法会一直等到页面被完全加载,然后才会继续程序,
# 通常测试会在这里选择 time.sleep(2)
driver.get("http://www.baidu.com")
# # 获取页面名为 wrapper的id标签的文本内容
data = driver.find_element_by_id("wrapper").text
# 打印数据内容
print(data)
# 打印页面标题 "百度一下,你就知道"
print(driver.title)
# 生成当前页面快照并保存
driver.save_screenshot("index.png")
# id="kw"是百度搜索输入框,输入字符串"长城",字符串"长城"前的u表示utf-8编码
driver.find_element_by_id("kw").send_keys(u"长城")
# id="su"是百度搜索按钮,click() 是模拟点击
driver.find_element_by_id("su").click()
#time.sleep(2)这个时间表示服务器响应时间
# 获取新的页面快照
driver.save_screenshot("长城.png")
# 打印网页渲染后的源代码
#也可以选择将page_source转成etree对象后使用xpath来提取数据
print(driver.page_source)
# 获取当前页面Cookie
print(driver.get_cookies())
# # ctrl+a 全选输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'a')
# driver.save_screenshot("长城a.png")
# # ctrl+x 剪切输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'x')
# 输入框重新输入内容
driver.find_element_by_id("kw").send_keys(u"章子怡")
driver.save_screenshot("a1.png")
可以使用selenium模拟键盘操作。
keys code | key | keys code | key | |
---|---|---|---|---|
NULL | ‘\ue000’ | CANCEL | ‘\ue001’ | |
HELP | ‘\ue002’ | BACKSPACE | ‘\ue003’ | |
BACK_SPACE | BACKSPACE | TAB | ‘\ue004’ | |
CLEAR | ‘\ue005’ | RETURN | ‘\ue006’ | |
ENTER | ‘\ue007’ | SHIFT | ‘\ue008’ | |
LEFT_SHIFT | SHIFT | CONTROL | ‘\ue009’ | |
LEFT_CONTROL | CONTROL | ALT | ‘\ue00a’ | |
LEFT_ALT | ALT | PAUSE | ‘\ue00b’ | |
ESCAPE | ‘\ue00c’ | SPACE | ‘\ue00d’ | |
PAGE_UP | ‘\ue00e’ | PAGE_DOWN | ‘\ue00f’ | |
END | ‘\ue010’ | HOME | ‘\ue011’ | |
HOME | ‘\ue011’ | LEFT | ‘\ue012’ | |
ARROW_LEFT | LEFT | UP | ‘\ue013’ | |
ARROW_UP | UP | RIGHT | ‘\ue014’ | |
ARROW_RIGHT | RIGHT | DOWN | ‘\ue015’ | |
ARROW_DOWN | DOWN | INSERT | ‘\ue016’ | |
DELETE | ‘\ue017’ | SEMICOLON | ‘\ue018’ | |
EQUALS | ‘\ue019’ | |||
-数- | -字- | -键- | -部- | -分- |
NUMPAD0 | ‘\ue01a’ | NUMPAD1 | ‘\ue01b’ | |
NUMPAD0 | ‘\ue01a’ | NUMPAD2 | ‘\ue01c’ | |
NUMPAD3 | ‘\ue01d’ | NUMPAD4 | ‘\ue01e’ | |
NUMPAD5 | ‘\ue01f’ | NUMPAD6 | ‘\ue020’ | |
NUMPAD7 | ‘\ue021’ | NUMPAD8 | ‘\ue022’ | |
NUMPAD9 | ‘\ue023’ | MULTIPLY | ‘\ue024’ | |
ADD | ‘\ue025’ | SEPARATOR | ‘\ue026’ | |
SUBTRACT | ‘\ue027’ | DECIMAL | ‘\ue028’ | |
DIVIDE | ‘\ue029’ | |||
-功- | -能- | -键- | -部- | -分- |
F1 | ‘\ue031’ | F2 | ‘\ue032’ | |
F3 | ‘\ue033’ | F4 | ‘\ue034’ | |
F5 | ‘\ue035’ | F6 | ‘\ue036’ | |
F7 | ‘\ue037’ | F8 | ‘\ue038’ | |
F9 | ‘\ue039’ | F10 | ‘\ue03a’ | |
F11 | ‘\ue03b’ | F12 | ‘\ue03c’ | |
META | ‘\ue03d’ | COMMAND | ‘\ue03d’ |
使用案例:
# 模拟Enter回车键
# time.sleep(10) #加个延时,不然可能会报错:
# Element is not currently interactable and may not be manipulated
# driver.find_element_by_id("su").send_keys(Keys.RETURN)
#注意:这个地方用回车是没有效果的,因为输入框在表单当中,
# 可以使用表单提交完成请求
driver.find_element_by_id("su").submit()
time.sleep(2)
driver.save_screenshot("a3.png")
继续:
#页面操作
#Selenium 的 WebDriver提供了各种方法来寻找元素,在百度首页有一个表单输入框:
#百度输入框架页面源码
#<input type="text" class="s_ipt" name="wd" id="kw" maxlength="100" autocomplete="off">
# 1.根据id获取标签
# time.sleep(2)
element = driver.find_element_by_id("kw")
#获取标签的属性
# 格式:标签.get_attribute("属性名")
print(element.get_attribute("type"))#text
print(element.get_attribute("class"))#s_ipte
# 2.根据name获取标签
element = driver.find_element_by_name("wd")
# 3.根据标签名获取标签名
element = driver.find_elements_by_tag_name("input") #返回列表
# 4.通过XPath来匹配
element = driver.find_element_by_xpath("//input[@id='kw']")#返回元素
# # 清除输入框内容
driver.find_element_by_id("kw").clear()
# # 生成新的页面快照
driver.save_screenshot("ziyi.png")
# 获取当前url
print(driver.current_url)
# 关闭当前页面,如果只有一个页面,会关闭浏览器
# driver.close()
# 关闭浏览器
driver.quit()
定位UI元素 (WebElements)
关于元素的选取,有如下的API 单个元素选取
find_element_by_id
find_elements_by_name
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_partial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector
但是在有些时候,我们需要再页面上模拟一些鼠标操作,比如双击、右击、拖拽甚至按住不动等,我们可以通过导入 ActionChains 类来做到。在此先不提。
有界面的浏览器驱动
上面讲到PhantomJS是一个无界面的浏览器,其实还有另外一种有界面的浏览器驱动,同样可以帮助我们获取动态信息,可以更直观的帮助我们进行调试。
注意,在这里使用谷歌驱动作为案例,因此需要安装谷歌浏览器。在程序执行后会自动打开浏览器。
出现上面的页面说明已经运行成功。
from selenium import webdriver
#executable_path指的是chromedriver的路径
drive = webdriver.Chrome(executable_path=r'E:\chromedriver.exe')
base_url = 'http://www.kaixin001.com'
drive.get(base_url)
while True:
try:
name=input('name')
password = input('pass')
drive.find_element_by_name('loginemail').send_keys(name)
drive.find_element_by_name('password').send_keys(password)
drive.find_element_by_id('btn_dl').click()
drive.find_element_by_name('loginemail').clear()
drive.find_element_by_name('password').clear()
except:
quit(1)
chromedriver.exe下载地址可以去网上搜索