Python爬虫之-动态网页数据抓取（python抓取动态网页内容）

Python爬虫之-动态网页数据抓取（python抓取动态网页内容）

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。

Selenium+chromedriver获取动态数据：

Chrome：​​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。

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("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：​​submitTag1 = driver.find_element(By.ID,'su')

​​find_element_by_class_name​​：根据类名查找元素。 等价于：

'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：

'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：

'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：

'//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：

'//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：

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：

'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()

"rememberMe") rememberTag.click()

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("# 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()

'su') inputTag.click()

行为链：

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。

Cookie操作：

获取所有的​​cookie​​：

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

根据cookie的key获取value：

value = driver.get_cookie(key)

删除所有的cookie：

driver.delete_all_cookies()

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。

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("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("try: element = WebDriverWait(driver, 10).until( EC.presence_of_element_located((By.ID, "myDynamicElement")) ) finally: driver.quit()

一些其他的等待条件：

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 webdriveroptions = webdriver.ChromeOptions()options.add_argument("--proxy-server== r"D:\ProgramApp\chromedriver\chromedriver.exe"driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)driver.get('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：

get_attribute：这个标签的某个属性的值。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。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。