python执行javascript网页_小猪的Python学习之旅 —— 5.使用Selenium抓取JavaScript动态生成数据的网页...

引言

自从学习了爬虫之后，每天不写个小爬虫爬爬小姐姐，都觉得浑身难受：

小姐姐是挺好看的，只是身体日渐消瘦而已，多喝营养快线就好！

(快来学Python爬虫，一起爬可爱的小姐姐啊~)

抓多了发现有一些小网站很狡猾，竟然搞起反爬虫来了，不直接

生成数据，而是通过加载JS来生成数据，然后你打开Chrome浏览器的

开发者选项，然后你会发现Elements页面结构和Network抓包抓包

返回的内容竟然是不一样的，Network抓包那里竟然没有对应的数据，

本该是数据的地方，竟然是JS代码，比如煎蛋的妹子图：

对于我这种不会JS的安卓狗来说，不禁感叹：

抓不到数据怎么破，开始我还想着自学一波JS基本语法，再去模拟抓包

拿到别人的JS文件，自己再去分析逻辑，然后捣鼓出真正的URL，后来

还是放弃了，有些JS竟然他么的是加密的，而且要抓的页面那么多，

每个这样分析分析到什么时候...

后面意外发现有个自动化测试框架：Selenium 可以帮我们处理这个问题。

简单说下这个东西有什么用吧，我们可以编写代码让浏览器：

1.自动加载网页；

2.模拟表单提交(比如模拟登录)，获取需要的数据；

3.页面截屏；

4.判断网页某些动作是否发生，等等。

然后这个东西是不支持浏览器功能的，你需要和第三方的浏览器

一起搭配使用，支持下述浏览器，需要把对应的浏览器驱动下载

到Python的对应路径下：

直接开始本节的内容吧~

1.安装Selenium

这个就很简单了，直接通过pip命令行进行安装：

sudo pip install selenium

PS：想起之前公司小伙伴问过我pip在win上怎么执行不了，又另外下了很多pip，

其实如果你安装了Python3的话，已经默认带有pip了，你需要另外配置下环境

变量，pip的路径在Python安装目录的Scripts目录下~

Path后面加上这个路径就好~

2.下载浏览器驱动

因为Selenium是不带浏览器的，所以需要依赖第三方的浏览器，要调用第三方

的浏览器的话，需要下载浏览器的驱动，因为笔者用到是Chrome，这里就以

Chrome为例子吧，其他浏览器的自行搜索相关资料了！打开Chrome浏览器，键入：

chrome://version

可以查看Chrome浏览器版本的相关信息，这里主要是关注版本号就行了：

61，好的，接下来到下面的这个网站查看对应的驱动版本号：

好的，那就下载v2.34版本的浏览器驱动吧：

下载完成后，把zip文件解压下，解压后的chromedriver.exe拷贝到Python

的Scripts目录下。(这里不用纠结win32，在64位的浏览器上也是可以正常使用的！)

PS：Mac的话把解压后的文件拷贝到usr/local/bin目录下

Ubuntu的话拷贝到：usr/bin目录下

接下来我们写个简单的代码来测试下：

from selenium import webdriver

browser = webdriver.Chrome() # 调用本地的Chrome浏览器

browser.get('http://www.baidu.com') # 请求页面，会打开一个浏览器窗口

html_text = browser.page_source # 获得页面代码

browser.quit() # 关闭浏览器

print(html_text)

执行这段代码，会自动调起浏览器，并且访问百度：

并且控制台会输出HTML的代码，就是直接获取的Elements页面结构，

JS执行完后的页面~接下来我们就可以来抓我们的煎蛋妹子图啦~

3.Selenium 简单实战：抓取煎蛋妹子图

直接分析Elements页面结构，找到想要的关键结点：

明显这就是我们抓取的小姐姐图片，复制下这个URL，看下我们打印出的

页面结构有没有这个东西：

可以，很棒，有这个页面数据，接下来就走一波Beautiful Soup获取到我们

想要的数据啦~

经过上面的过滤就能够拿到我们的妹子图片URL：

随手打开一个验证下，啧啧：

    

看了下一页只有30个小姐姐，这显然是满足不了我们的，我们在第一次加载

的时候先拿到一波页码，然后就知道有多少页了，然后自己再去拼接URL加载

不同的页面，比如这里总共又448页：

接下来就把代码补齐咯，循环抓取每一页的小姐姐，然后下载到本地，

完整代码如下：

import os

from selenium import webdriver

from bs4 import BeautifulSoup

import urllib.request

import ssl

import urllib.error

base_url = 'http://jandan.net/ooxx'

pic_save_path = "output/Picture/JianDan/"

# 下载图片

def download_pic(url):

correct_url = url

if url.startswith('//'):

correct_url = url[2:]

if not url.startswith('http'):

correct_url = 'http://' + correct_url

print(correct_url)

headers = {

'Host': 'wx2.sinaimg.cn',

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '

'Chrome/61.0.3163.100 Safari/537.36 '

}

try:

req = urllib.request.Request(correct_url, headers=headers)

resp = urllib.request.urlopen(req)

pic = resp.read()

pic_name = correct_url.split("/")[-1]

with open(pic_save_path + pic_name, "wb+") as f:

f.write(pic)

except (OSError, urllib.error.HTTPError, urllib.error.URLError, Exception) as reason:

print(str(reason))

# 打开浏览器模拟请求

def browser_get():

browser = webdriver.Chrome()

browser.get('http://jandan.net/ooxx')

html_text = browser.page_source

page_count = get_page_count(html_text)

# 循环拼接URL访问

for page in range(page_count, 0, -1):

page_url = base_url + '/page-' + str(page)

print('解析：' + page_url)

browser.get(page_url)

html = browser.page_source

get_meizi_url(html)

browser.quit()

# 获取总页码

def get_page_count(html):

soup = BeautifulSoup(html, 'html.parser')

page_count = soup.find('span', attrs={'class': 'current-comment-page'})

return int(page_count.get_text()[1:-1]) - 1

# 获取每个页面的小姐姐

def get_meizi_url(html):

soup = BeautifulSoup(html, 'html.parser')

ol = soup.find('ol', attrs={'class': 'commentlist'})

href = ol.findAll('a', attrs={'class': 'view_img_link'})

for a in href:

download_pic(a['href'])

if __name__ == '__main__':

ssl._create_default_https_context = ssl._create_unverified_context

if not os.path.exists(pic_save_path):

os.makedirs(pic_save_path)

browser_get()

运行结果：

看下我们输出文件夹~

是的，贴那么多小姐姐，就是想骗你学Python!

4.PhantomJS

PhantomJS没有界面的浏览器，特点：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。

(在一些Linux的主机上没有图形化界面，就不能用有界面的浏览器了，

可以通过PhantomJS来规避这个问题)。

Win上安装PhantomJS：

2.解压：phantomjs-2.1.1-windows.zip 放到自己想放的位置；

3.配置环境变量：目录/bin 比如我的：

；

4.打开cmd，键入：phantomjs --version 验证是否配置成功；

Ubuntu/MAC上安装PhantomJS：

sudo apt-get install phantomjs

！！！关于PhantomJS的重要说明：

>

在今年的四月份，Phantom.js的维护者（Maintainer）宣布退出PhantomJS，

意味着这个项目项目可能不会再进行维护了！！！Chrome和FireFox也开始

提供Headless模式(无需吊起浏览器)，所以，估计使用PhantomJS的小伙伴

也会慢慢迁移到这两个浏览器上。Windows Chrome需要60以上的版本才支持

Headless模式，启用Headless模式也非常简单：

>

>

selenium官方文档也写了：

>

>

运行的时候也会报这个警告：

>

5.Selenium实战：模拟登录CSDN，并保存Cookie

分析下页面结构，不难找到对应的登录输入框，以及登录按钮：

我们要做的就是在这两个结点输入账号密码，然后触发登录按钮，

同时把Cookie保存到本地，后面就可以带着Cookie去访问相关页面了~

先编写模拟登录的方法吧：

找到输入账号密码的节点，设置下自己的账号密码，然后找到登录

按钮节点，click一下，然后坐等登录成功，登录成功后可以比较

current_url是否发生了改变。然后把Cookies给保存下来，这里

我用的是pickle库，可以用其他，比如json，或者字符串拼接，

然后保存到本地。如无意外应该是能拿到Cookie的，接着就利用

Cookie去访问主页。

通过add_cookies方法来设置Cookie，参数是字典类型的，另外要先

访问get一次链接，再去设置cookie，不然会报无法设置cookie的错误！

看下右下角是否变为登录状态就可以知道是否使用Cookie登录成功了：

6.Selenium 常用函数

Seleninum作为自动化测试的工具，自然是提供了很多自动化操作的函数，

下面列举下个人觉得比较常用的函数，更多可见官方文档：

官方API文档：http://seleniumhq.github.io/selenium/docs/api/py/api.html

1) 定位元素

>

find_element_by_class_name：根据class定位

find_element_by_css_selector：根据css定位

find_element_by_id：根据id定位

find_element_by_link_text：根据链接的文本来定位

find_element_by_name：根据节点名定位

find_element_by_partial_link_text：根据链接的文本来定位，只要包含在整个文本中即可

find_element_by_tag_name：通过tag定位

find_element_by_xpath：使用Xpath进行定位

>

PS：把element改为elements会定位所有符合条件的元素，返回一个List

比如：find_elements_by_class_name

2) 鼠标动作

有时需要在页面上模拟鼠标操作，比如：单击，双击，右键，按住，拖拽等

可以导入ActionChains类：selenium.webdriver.common.action_chains.ActionChains

使用ActionChains(driver).XXX调用对应节点的行为

>

click(element)：单击某个节点；

click_and_hold(element)：单击某个节点并按住不放；

context_click(element)：右键单击某个节点；

double_click(element)：双击某个节点；

drag_and_drop(source,target)：按住某个节点拖拽到另一个节点；

drag_and_drop_by_offset(source, xoffset, yoffset)：按住节点按偏移拖拽

key_down：按下特殊键，只能用(Control, Alt and Shift)，比如Ctrl+C

ActionChains(driver).key_down(Keys.CONTROL).send_keys('c').key_up(Keys.CONTROL).perform()；

key_up：释放特殊键；

move_by_offset(xoffset, yoffset)：按偏移移动鼠标；

move_to_element(element)：鼠标移动到某个节点的位置；

move_to_element_with_offset(element, xoffset, yoffset)：鼠标移到某个节点并偏移；

pause(second)：暂停所有的输入多少秒；

perform()：执行操作，可以设置多个操作，调用perform()才会执行；

release()：释放鼠标按钮

reset_actions：重置操作

send_keys(keys_to_send)：模拟按键，比如输入框节点.send_keys(Keys.CONTROL,'a')

全选输入框内容，输入框节点.send_keys(Keys.CONTROL,'x')剪切，模拟回退：

节点.send_keys(keys.RETURN)；或者直接设置输入框内容：输入框节点.send_keys('xxx')；

*send_keys_to_element(element,keys_to_send)**：和send_keys类似；

3) 弹窗

对应类：selenium.webdriver.common.alert.Alert，感觉应该用得不多...

如果你触发了某个时间，弹出了对话框，可以调用下述方法获得对话框：

alert = driver.switch_to_alert()，然后可以调用下述方法：

>

accept()：确定

dismiss()：关闭对话框

send_keys()：传入值

text()：获得对话框文本

4)页面前进，后退，切换

>

切换窗口: driver.switch_to.window("窗口名")

或者通过window_handles来遍历

for handle in driver.window_handles:

driver.switch_to_window(handle)

driver.forward() #前进

driver.back() # 后退

5) 页面截图

driver.save_screenshot("截图.png")

6) 页面等待

现在的网页越来越多采用了 Ajax技术，这样程序便不能确定何时某个元素完全

加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的

代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。

为了避免这种元素定位困难而且会提高产生 ElementNotVisibleException的概率。

所以 Selenium 提供了两种等待方式，一种是隐式等待，一种是显式等待。

显式等待：

显式等待指定某个条件，然后设置最长等待时间。如果在这个时间还没有

找到元素，那么便会抛出异常了。

from selenium import webdriver

from selenium.webdriver.common.by import By

# WebDriverWait 库，负责循环等待

from selenium.webdriver.support.ui import WebDriverWait

# expected_conditions 类，负责条件出发

from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.PhantomJS()

driver.get("http://www.xxxxx.com/loading")

try:

# 每隔10秒查找页面元素 id="myDynamicElement"，直到出现则返回

element = WebDriverWait(driver, 10).until(

EC.presence_of_element_located((By.ID, "myDynamicElement"))

)

finally:

driver.quit()

如果不写参数，程序默认会 0.5s 调用一次来查看元素是否已经生成，

如果本来元素就是存在的，那么会立即返回。

下面是一些内置的等待条件，你可以直接调用这些条件，而不用自己

写某些等待条件了。

>

title_is

title_contains

presence_of_element_located

visibility_of_element_located

visibility_of

presence_of_all_elements_located

text_to_be_present_in_element

text_to_be_present_in_element_value

frame_to_be_available_and_switch_to_it

invisibility_of_element_located

element_to_be_clickable – it is Displayed and Enabled.

staleness_of

element_to_be_selected

element_located_to_be_selected

element_selection_state_to_be

element_located_selection_state_to_be

alert_is_present

隐式等待：

隐式等待比较简单，就是简单地设置一个等待时间，单位为秒。

from selenium import webdriver

driver = webdriver.PhantomJS()

driver.implicitly_wait(10) # seconds

driver.get("http://www.xxxxx.com/loading")

myDynamicElement = driver.find_element_by_id("myDynamicElement")

当然如果不设置，默认等待时间为0。

7.执行JS语句

driver.execute_script(js语句)

比如滚动到底部：

js = document.body.scrollTop=10000

driver.execute_script(js)

小结

本节讲解了一波使用Selenium自动化测试框架来抓取JavaScript动态生成数据，

Selenium需依赖于第三方的浏览器，要注意PhantomJS无界面浏览器过时的

问题，可以使用Chrome和FireFox提供的HeadLess来替换；通过抓取煎蛋妹子

图以及模拟CSDN自动登录的例子来熟悉Selenium的基本使用，还是收货良多的。

当然Selenium的水还是很深的，当前我们能够使用它来应付JS动态加载数据页面

数据的抓取就够了。

最近天气略冷，各位小伙伴记得适时添衣~

另外这周因为事比较多，就先断更了，下周再见，接下里要啃的骨头是

Python多线程，目测得啃好几节，敬请期待~

>

顺道记录下自己的想到的东西：

>

1.不是每个网站都是像CSDN一样不需要验证码就能够登录的，

验证码还分几代，普通的数字模糊下，滑条，而像简书掘金用

那种人机检测的是比较新的，目前还不知道怎么解决，有知道

的小伙伴告诉下呗～

2.像掘金，简书等那种抓取文章，为了反爬虫，需要登录才能查看全文...

本节源码下载：

本节参考文献：