selenium+chromdriver获取AJAX数据

注：本文参考了网易云知了课堂课件笔记。

AJAX定义

AJAX（Asynchronouse JavaScript And XML）异步JavaScript和XML。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数据地方式

1.直接分析ajax调用的接口。然后通过代码请求这个接口。
优点：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。
缺点：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。
2.使用Selenium+chromedriver模拟浏览器行为获取数据。
优点：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。
缺点：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：

1.安装Selenium
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。

selenium+chromedriver 访问百度

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)

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。

操作表单元素

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：

 rememberTag = driver.find_element_by_name("rememberMe")
 rememberTag.click()

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：

 from selenium.webdriver.support.ui import Select
     # 选中这个标签，然后使用Select创建对象
     selectTag = Select(driver.find_element_by_name("jumpMenu"))
     # 根据索引选择
     selectTag.select_by_index(1)
     # 根据值选择
     selectTag.select_by_value("http://www.95yueba.com")
     # 根据可视的文本选择
     selectTag.select_by_visible_text("95秀客户端")
     # 取消选中所有选项
     selectTag.deselect_all()

4.操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。示例代码如下：

 inputTag = driver.find_element_by_id('su')
 inputTag.click()

行为链：

有时候在页面中的操作可能要有很多步，那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件。那么示例代码如下：

inputTag = driver.find_element_by_id('kw')
submitTag = driver.find_element_by_id('su')

actions = ActionChains(driver)
actions.move_to_element(inputTag)
actions.send_keys_to_element(inputTag,'python')
actions.move_to_element(submitTag)
actions.click(submitTag)
actions.perform()

还有更多的鼠标相关的操作。

click_and_hold(element)：点击但不松开鼠标。
context_click(element)：右键点击。
double_click(element)：双击。 更多方法请参考：http://selenium-python.readthedocs.io/api.html

Cookie操作

1.获取所有的cookie：

 for cookie in driver.get_cookies():
     print(cookie)

2.根据cookie的key获取value：

 value = driver.get_cookie(key)

3.删除所有的cookie：

 driver.delete_all_cookies()

4. 删除某个cookie：

driver.delete_cookie(key)

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。为了解决这个问题。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。

1.隐式等待：调用driver.implicitly_wait。那么在获取不可用的元素之前，会先等待10秒中的时间。示例代码如下：

driver = webdriver.Chrome(executable_path=driver_path)
driver.implicitly_wait(10)
# 请求网页
driver.get("https://www.douban.com/")

2.显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。示例代码如下：

rom selenium import webdriver
 from selenium.webdriver.common.by import By
 from selenium.webdriver.support.ui import WebDriverWait
 from selenium.webdriver.support import expected_conditions as EC

 driver = webdriver.Firefox()
 driver.get("http://somedomain/url_that_delays_loading")
 try:
     element = WebDriverWait(driver, 10).until(
         EC.presence_of_element_located((By.ID, "myDynamicElement"))
     )
 finally:
     driver.quit()

3.一些其他的等待条件：

presence_of_element_located：某个元素已经加载完毕了。
presence_of_all_emement_located：网页中所有满足条件的元素都加载完毕了。

element_to_be_cliable：某个元素是可以点击了。

更多条件请参考：http://selenium-python.readthedocs.io/waits.html

切换页面

有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。selenium提供了一个叫做switch_to_window来进行切换，具体切换到哪个页面，可以从driver.window_handles中找到。示例代码如下：

# 打开一个新的页面
self.driver.execute_script("window.open('"+url+"')")
# 切换到这个新的页面中
self.driver.switch_to_window(self.driver.window_handles[1])

设置代理ip:

有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip，不同的浏览器有不同的实现方式。这里以Chrome浏览器为例来讲解：

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://110.73.2.248:8123")
driver_path = r"D:\ProgramApp\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)

driver.get('http://httpbin.org/ip')

WebElement 元素：

from selenium.webdriver.remote.webelement import WebElement类是每个获取出来的元素的所属类。
有一些常用的属性：

1.get_attribute：这个标签的某个属性的值。
2.screentshot：获取当前页面的截图。这个方法只能在driver上使用。
driver的对象类，也是继承自WebElement。
更多请阅读相关源代码。

selenium+chromdriver来抓取拉钩网职位信息

import time

import re
from lxml import etree

from  selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import csv

class LagouSpider(object):
    driver_path = r'/home/kiosk/Desktop/chromedriver'
    def __init__(self):
        self.driver = webdriver.Chrome(executable_path=self.driver_path)
        self.url = 'https://www.lagou.com/jobs/list_python?isSchoolJob=1'
        self.positions = []
        self.fp = open('lagou.csv','a',encoding='utf-8',newline='')
        self.writer = csv.DictWriter(self.fp,[
            'name','company_name','salary','city','work_years','education','desc'
        ])
        self.writer.writeheader()

    def run(self):
        self.driver.get(self.url)
        while True:
            source = self.driver.page_source
            WebDriverWait(driver=self.driver,timeout=10).until(
                EC.presence_of_all_elements_located((By.XPATH,
                                                     "//div[@class='pager_container']/span[last()]"))
            )
            self.parse_list_page(source)
            try:
                next_btn = self.driver.find_element_by_xpath(
                    "//div[@class='pager_container']/span[last()]")
                if "pager_next_disabled" in next_btn.get_attribute("class"):
                    break
                else:
                    next_btn.click()
            except:
                print(source)
            time.sleep(1)

    def parse_list_page(self,source):
        html = etree.HTML(source)
        links = html.xpath("//a[@class='position_link']/@href")
        for link in links:
            self.request_detail_page(link)
            time.sleep(1)

    def request_detail_page(self,url):
        self.driver.execute_script("window.open('%s')"%url)
        self.driver.switch_to.window(self.driver.window_handles[1])
        WebDriverWait(self.driver,timeout=10).until(
            EC.presence_of_all_elements_located(
                (By.XPATH,"//div[@class='job-name']/span[@class='name']"))
        )
        source = self.driver.page_source
        self.parse_detail_page(source)
        self.driver.close()
        self.driver.switch_to.window(self.driver.window_handles[0])

    def parse_detail_page(self,source):
        html = etree.HTML(source)
        position_name = html.xpath("//span[@class='name']/text()")[0]
        job_request_spans = html.xpath("//dd[@class='job_request']//span")
        salary = job_request_spans[0].xpath('.//text()')[0].strip()
        city = job_request_spans[1].xpath(".//text()")[0].strip()
        city = re.sub(r"[\s/]", "", city)
        work_years = job_request_spans[2].xpath(".//text()")[0].strip()
        work_years = re.sub(r"[\s/]", "", work_years)
        education = job_request_spans[3].xpath(".//text()")[0].strip()
        education = re.sub(r"[\s/]", "", education)
        desc = "".join(html.xpath("//dd[@class='job_bt']//text()")).strip()
        company_name = html.xpath("//h2[@class='fl']/text()")[0].strip()
        position = {
            'name': position_name,
            'company_name': company_name,
            'salary': salary,
            'city': city,
            'work_years': work_years,
            'education': education,
            'desc': desc
        }
        self.write_position(position)

    def write_position(self,positon):
        if len(self.positions) >= 20:
            self.writer.writerows(self.positions)
            self.positions.clear()
        self.positions.append(positon)
        print(positon)


if __name__ == '__main__':
    spider = LagouSpider()
    spider.run()

selenium+chromdriver来抓取Boss直聘职位信息

import time
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import csv
from lxml import etree

class BossSpider(object):
    driver_path = r'/home/kiosk/Desktop/chromedriver'
    def __init__(self):
        self.driver = webdriver.Chrome(executable_path=BossSpider.driver_path)
        self.url = 'https://www.zhipin.com/job_detail/?query=python&city=100010000&industry=&position='
        self.positions = []
        self.fp = open('boss.csv','a',encoding='utf-8',newline='')
        self.writer = csv.DictWriter(self.fp,['position_name','salary','city','work_years','education','desc','company_name'])
        self.writer.writeheader()

    def run(self):
        self.driver.get(self.url)
        while 1:
            source = self.driver.page_source
            # WebDriverWait(self.driver,timeout=10).until(
            #     EC.presence_of_all_elements_located((By.XPATH,"//a[contains(@class,'next')"))
            # )
            self.parse_list_page(source)
            try:
                next_btn = self.driver.find_element_by_xpath("//a[contains(@class,'next')]")
                if 'disabled' in next_btn.get_attribute('class'):
                    break
                else:
                    next_btn.click()
            except:
                print(source)
            time.sleep(1)

    def parse_list_page(self,source):
        html = etree.HTML(source)
        links = html.xpath("//div[@class='info-primary']//a[position()=1]/@href")
        for link in links:
            url = 'https://www.zhipin.com'+link
            self.request_detail_page(url)
            time.sleep(1)


    def request_detail_page(self,url):
        self.driver.execute_script("window.open('%s')"%url)
        self.driver.switch_to.window(self.driver.window_handles[1])
        WebDriverWait(self.driver,timeout=10).until(
            EC.presence_of_all_elements_located((By.XPATH,"//div[@class='name']"))
        )
        source = self.driver.page_source
        self.parse_detail_page(source)
        self.driver.close()
        self.driver.switch_to.window(self.driver.window_handles[0])


    def parse_detail_page(self,source):
        html = etree.HTML(source)
        position_name = html.xpath("//div[@class='name']/h1/text()")[0]
        salary = html.xpath("//div[@class='name']/span[@class='salary']/text()")[0]
        city_workyears_education = html.xpath("//div[@class='info-primary']/p/text()")
        city = city_workyears_education[0]
        work_years = city_workyears_education[1]
        education = city_workyears_education[2]
        desc = ''.join(html.xpath("//div[@class='job-sec']/div[@class='text']/text()")).strip()
        company_name = html.xpath("//div[@class='job-sec']/div[@class='name']/text()")[0]
        position = {
            'position_name':position_name,
            'salary':salary,
            'city':city,
            'work_years':work_years,
            'education':education,
            'desc':desc,
            'company_name':company_name
        }
        self.write_postion(position)

    def write_postion(self,postion):
        if len(self.positions) >= 10:
            self.writer.writerows(self.positions)
            self.positions.clear()
        self.positions.append(postion)
        print(postion)

if __name__=='__main__':
    bossspider = BossSpider()
    bossspider.run()

12306自动购票

from selenium.webdriver.common.by import By
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

class QiangpiaoSpider(object):
    driver_path = r'/home/kiosk/Desktop/chromedriver'
    def __init__(self):
        self.driver = webdriver.Chrome(executable_path=QiangpiaoSpider.driver_path)
        self.login_url = 'https://kyfw.12306.cn/otn/login/init'
        self.index_url = 'https://kyfw.12306.cn/otn/view/index.html'
        self.search_url = 'https://kyfw.12306.cn/otn/leftTicket/init'
        self.passengers_url = 'https://kyfw.12306.cn/otn/confirmPassenger/initDc'

    def wait_input(self):
        self.from_station = input("出发地：")
        self.to_station = input("目的地:")
        # 时间格式必须是：yyyy-MM-dd的方式
        self.depart_time = input("出发日期：")
        self.passengers = input("乘客姓名（如有多个乘客，用英文逗号隔开：").split(",")
        self.trains = input("车次（如果有多个车次，用英文逗号隔开：").split(",")


    def _longin(self,url):
        self.driver.get(url)
        WebDriverWait(self.driver,timeout=1000).until(
            EC.url_to_be(self.index_url)
        )
        print("登陆成功!")


    def _order_ticket(self):
        self.driver.get(self.search_url)

        WebDriverWait(self.driver,1000).until(
            EC.text_to_be_present_in_element_value(
                (By.ID,"fromStationText"),self.from_station
            )
        )

        WebDriverWait(self.driver, 1000).until(
            EC.text_to_be_present_in_element_value(
                (By.ID, "toStationText"), self.to_station
            )
        )

        WebDriverWait(self.driver, 1000).until(
            EC.text_to_be_present_in_element_value(
                (By.ID, "train_date"), self.depart_time
            )
        )

        WebDriverWait(self.driver,1000).until(
            EC.element_to_be_clickable((By.ID,'query_ticket'))
        )

        searchBtn = self.driver.find_element_by_id("query_ticket")
        searchBtn.click()

        WebDriverWait(self.driver,1000).until(
            EC.presence_of_all_elements_located((By.XPATH,".//tbody[@id='queryLeftTable']/tr"))
        )

        tr_list = self.driver.find_elements_by_xpath(".//tbody[@id='queryLeftTable']/tr[not(@datatran)]")
        print(tr_list)
        for tr in tr_list:
            train_number = tr.find_element_by_class_name("number").text
            if train_number in self.trains:
                left_ticket = tr.find_element_by_xpath(".//td[8]").text
                print(left_ticket)
                if left_ticket == "有" or left_ticket.isdigit:
                    orderBtn = tr.find_element_by_class_name("btn72")
                    orderBtn.click()

                    WebDriverWait(self.driver,1000).until(
                        EC.url_to_be(self.passengers_url)
                    )

                    WebDriverWait(self.driver,1000).until(
                        EC.presence_of_all_elements_located((By.XPATH,".//ul[@id='normal_passenger_id']/li"))
                    )

                    passenger_labels = self.driver.find_elements_by_xpath(".//ul[@id='normal_passenger_id']/li/label")
                    for passenger_label in passenger_labels:
                        name = passenger_label.text
                        if name in self.passengers:
                            passenger_label.click()
                            submitBtn = self.driver.find_element_by_id("submitOrder_id")
                            submitBtn.click()
                            WebDriverWait(self.driver, 1000).until(
                                EC.presence_of_element_located((By.CLASS_NAME, "dhtmlx_wins_body_outer"))
                            )
                            WebDriverWait(self.driver,1000).until(
                                EC.presence_of_all_elements_located((By.ID,"qr_submit_id"))
                            )

                            confirmBtn = self.driver.find_element_by_id("qr_submit_id")
                            while confirmBtn:
                                confirmBtn.click()
                                confirmBtn = self.driver.find_element_by_id("qr_submit_id")
                            return

    def run(self):
        self.wait_input()
        self._longin(self.login_url)
        self._order_ticket()

if __name__=='__main__':
    qiangpiao = QiangpiaoSpider()
    qiangpiao.run()