1.selenium抓取动态网页数据基础介绍
1.1 什么是AJAX
AJAX(Asynchronouse JavaScript And XML:异步JavaScript和XML)通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局部更新。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。
因为传统的网页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。
1.2 获取ajax数据的方式
法1:直接分析ajax调用的接口。然后通过代码请求这个接口。
法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。 |
1.3 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/
1.4 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。
1.5 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'D:\ProgramApp\chromedriver\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)
1.6 selenium常用操作
#-*-coding = utf-8 -*- from selenium import webdriver from selenium.webdriver.common.by import By # chromedriver的绝对路径 driver_path = r'D:\ProgramApp\chromedriver\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 1.关闭页面: driver.close():关闭当前页面。 driver.quit():退出整个浏览器。 2.定位元素: a)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') b)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') c)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') d)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') e)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') f)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。 3.操作表单元素: a)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() b)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: rememberTag = driver.find_element_by_name("rememberMe") rememberTag.click() c)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