動態(tài)網(wǎng)頁數(shù)據(jù)抓取

什么是AJAX：

AJAX（Asynchronouse JavaScript And XML）異步JavaScript和XML。過在后臺與服務(wù)器進(jìn)行少量數(shù)據(jù)交換，Ajax 可以使網(wǎng)頁實(shí)現(xiàn)異步更新。這意味著可以在不重新加載整個(gè)網(wǎng)頁的情況下，對網(wǎng)頁的某部分進(jìn)行更新。傳統(tǒng)的網(wǎng)頁（不使用Ajax）如果需要更新內(nèi)容，必須重載整個(gè)網(wǎng)頁頁面。因?yàn)閭鹘y(tǒng)的在傳輸數(shù)據(jù)格式方面，使用的是XML語法。因此叫做AJAX，其實(shí)現(xiàn)在數(shù)據(jù)交互基本上都是使用JSON。使用AJAX加載的數(shù)據(jù)，即使使用了JS，將數(shù)據(jù)渲染到了瀏覽器中，在右鍵->查看網(wǎng)頁源代碼還是不能看到通過ajax加載的數(shù)據(jù)，只能看到使用這個(gè)url加載的html代碼。

獲取ajax數(shù)據(jù)的方式：

1. 直接分析ajax調(diào)用的接口。然后通過代碼請求這個(gè)接口。
2. 使用Selenium+chromedriver模擬瀏覽器行為獲取數(shù)據(jù)。

Selenium+chromedriver獲取動態(tài)數(shù)據(jù)：

Selenium相當(dāng)于是一個(gè)機(jī)器人。可以模擬人類在瀏覽器上的一些行為，自動處理瀏覽器上的一些行為，比如點(diǎn)擊，填充數(shù)據(jù)，刪除cookie等。chromedriver是一個(gè)驅(qū)動Chrome瀏覽器的驅(qū)動程序，使用他才可以驅(qū)動瀏覽器。當(dāng)然針對不同的瀏覽器有不同的driver。以下列出了不同瀏覽器及其對應(yīng)的driver：

1. Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads
2. Firefox：https://github.com/mozilla/geckodriver/releases
3. Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
4. Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

安裝Selenium和chromedriver：

1. 安裝

   Selenium
   

   ：

   Selenium
   

   有很多語言的版本，有java、ruby、python等。我們下載python版本的就可以了。

    pip install selenium
   
   

2. 安裝chromedriver：下載完成后，放到不需要權(quán)限的純英文目錄下就可以了。

快速入門：

現(xiàn)在以一個(gè)簡單的獲取百度首頁的例子來講下Selenium和chromedriver如何快速入門：

from selenium import webdriver

# chromedriver的絕對路徑
driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'

# 初始化一個(gè)driver，并且指定chromedriver的路徑
driver = webdriver.Chrome(executable_path=driver_path)
# 請求網(wǎng)頁
driver.get("https://www.baidu.com/")
# 通過page_source獲取網(wǎng)頁源代碼
print(driver.page_source)

selenium常用操作：

更多教程請參考：http://selenium-python.readthedocs.io/installation.html#introduction

關(guān)閉頁面：

1. driver.close()：關(guān)閉當(dāng)前頁面。
2. driver.quit()：退出整個(gè)瀏覽器。

定位元素：

1. find_element_by_id
   

   ：根據(jù)id來查找某個(gè)元素。等價(jià)于：

    submitTag = driver.find_element_by_id('su')
    submitTag1 = driver.find_element(By.ID,'su')
   
   

2. find_element_by_class_name
   

   ：根據(jù)類名查找元素。 等價(jià)于：

    submitTag = driver.find_element_by_class_name('su')
    submitTag1 = driver.find_element(By.CLASS_NAME,'su')
   
   

3. find_element_by_name
   

   ：根據(jù)name屬性的值來查找元素。等價(jià)于：

    submitTag = driver.find_element_by_name('email')
    submitTag1 = driver.find_element(By.NAME,'email')
   
   

4. find_element_by_tag_name
   

   ：根據(jù)標(biāo)簽名來查找元素。等價(jià)于：

    submitTag = driver.find_element_by_tag_name('div')
    submitTag1 = driver.find_element(By.TAG_NAME,'div')
   
   

5. find_element_by_xpath
   

   ：根據(jù)xpath語法來獲取元素。等價(jià)于：

    submitTag = driver.find_element_by_xpath('//div')
    submitTag1 = driver.find_element(By.XPATH,'//div')
   
   

6. find_element_by_css_selector：根據(jù)css選擇器選擇元素。等價(jià)于：

    submitTag = driver.find_element_by_css_selector('//div')
    submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')
   
   

   要注意，find_element是獲取第一個(gè)滿足條件的元素。find_elements是獲取所有滿足條件的元素。

操作表單元素：

1. 操作輸入框：分為兩步。第一步：找到這個(gè)元素。第二步：使用send_keys(value)，將數(shù)據(jù)填充進(jìn)去。示例代碼如下：

    inputTag = driver.find_element_by_id('kw')
    inputTag.send_keys('python')
   
   

   使用clear方法可以清除輸入框中的內(nèi)容。示例代碼如下：

    inputTag.clear()
   
   

2. 操作checkbox：因?yàn)橐x中checkbox標(biāo)簽，在網(wǎng)頁中是通過鼠標(biāo)點(diǎn)擊的。因此想要選中checkbox標(biāo)簽，那么先選中這個(gè)標(biāo)簽，然后執(zhí)行click事件。示例代碼如下：

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

3. 選擇select：select元素不能直接點(diǎn)擊。因?yàn)辄c(diǎn)擊后還需要選中元素。這時(shí)候selenium就專門為select標(biāo)簽提供了一個(gè)類selenium.webdriver.support.ui.Select。將獲取到的元素當(dāng)成參數(shù)傳到這個(gè)類中，創(chuàng)建這個(gè)對象。以后就可以使用這個(gè)對象進(jìn)行選擇了。示例代碼如下：

    from selenium.webdriver.support.ui import Select
    # 選中這個(gè)標(biāo)簽，然后使用Select創(chuàng)建對象
    selectTag = Select(driver.find_element_by_name("jumpMenu"))
    # 根據(jù)索引選擇
    selectTag.select_by_index(1)
    # 根據(jù)值選擇
    selectTag.select_by_value("http://www.95yueba.com")
    # 根據(jù)可視的文本選擇
    selectTag.select_by_visible_text("95秀客戶端")
    # 取消選中所有選項(xiàng)
    selectTag.deselect_all()
   
   

4. 操作按鈕：操作按鈕有很多種方式。比如單擊、右擊、雙擊等。這里講一個(gè)最常用的。就是點(diǎn)擊。直接調(diào)用click函數(shù)就可以了。示例代碼如下：

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

行為鏈：

有時(shí)候在頁面中的操作可能要有很多步，那么這時(shí)候可以使用鼠標(biāo)行為鏈類ActionChains來完成。比如現(xiàn)在要將鼠標(biāo)移動到某個(gè)元素上并執(zhí)行點(diǎn)擊事件。那么示例代碼如下：

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()

還有更多的鼠標(biāo)相關(guān)的操作。

• click_and_hold(element)：點(diǎn)擊但不松開鼠標(biāo)。
• context_click(element)：右鍵點(diǎn)擊。
• double_click(element)：雙擊。 更多方法請參考：http://selenium-python.readthedocs.io/api.html

Cookie操作：

1. 獲取所有的

   cookie
   

   ：

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

2. 根據(jù)cookie的key獲取value：

    value = driver.get_cookie(key)
   
   

3. 刪除所有的cookie：

    driver.delete_all_cookies()
   
   

4. 刪除某個(gè)

   cookie
   

   ：

    driver.delete_cookie(key)
   
   

頁面等待：

現(xiàn)在的網(wǎng)頁越來越多采用了 Ajax 技術(shù)，這樣程序便不能確定何時(shí)某個(gè)元素完全加載出來了。如果實(shí)際頁面等待時(shí)間過長導(dǎo)致某個(gè)dom元素還沒出來，但是你的代碼直接使用了這個(gè)WebElement，那么就會拋出NullPointer的異常。為了解決這個(gè)問題。所以 Selenium 提供了兩種等待方式：一種是隱式等待、一種是顯式等待。

1. 隱式等待：調(diào)用driver.implicitly_wait。那么在獲取不可用的元素之前，會先等待10秒中的時(shí)間。示例代碼如下：

   driver = webdriver.Chrome(executable_path=driver_path)
   driver.implicitly_wait(10)
   # 請求網(wǎng)頁
   driver.get("https://www.douban.com/")
   
   

2. 顯示等待：顯示等待是表明某個(gè)條件成立后才執(zhí)行獲取元素的操作。也可以在等待的時(shí)候指定一個(gè)最大的時(shí)間，如果超過這個(gè)時(shí)間那么就拋出一個(gè)異常。顯示等待應(yīng)該使用selenium.webdriver.support.excepted_conditions期望的條件和selenium.webdriver.support.ui.WebDriverWait來配合完成。示例代碼如下：

    from 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. 一些其他的等待條件：

   • presence_of_element_located：某個(gè)元素已經(jīng)加載完畢了。

   • presence_of_all_emement_located：網(wǎng)頁中所有滿足條件的元素都加載完畢了。

   • element_to_be_cliable：某個(gè)元素是可以點(diǎn)擊了。

     更多條件請參考：http://selenium-python.readthedocs.io/waits.html

切換頁面：

有時(shí)候窗口中有很多子tab頁面。這時(shí)候肯定是需要進(jìn)行切換的。selenium提供了一個(gè)叫做switch_to_window來進(jìn)行切換，具體切換到哪個(gè)頁面，可以從driver.window_handles中找到。示例代碼如下：

# 打開一個(gè)新的頁面
self.driver.execute_script("window.open('"+url+"')")
# 切換到這個(gè)新的頁面中
self.driver.switch_to_window(self.driver.window_handles[1])

設(shè)置代理ip：

有時(shí)候頻繁爬取一些網(wǎng)頁。服務(wù)器發(fā)現(xiàn)你是爬蟲后會封掉你的ip地址。這時(shí)候我們可以更改代理ip。更改代理ip，不同的瀏覽器有不同的實(shí)現(xiàn)方式。這里以Chrome瀏覽器為例來講解：

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類是每個(gè)獲取出來的元素的所屬類。
有一些常用的屬性：

1. get_attribute：這個(gè)標(biāo)簽的某個(gè)屬性的值。
2. screentshot：獲取當(dāng)前頁面的截圖。這個(gè)方法只能在driver上使用。
   driver的對象類，也是繼承自WebElement。
   更多請閱讀相關(guān)源代碼。