python抓取动态网页(python模拟浏览器行为更新网页获取更新后的数据怎么抓)

　　python抓取动态网页(python模拟浏览器行为更新网页获取更新后的数据怎么抓)

　　使用python爬取网站数据非常方便高效，但是常用的组合是使用BeautifSoup和requests爬取静态页面（即网页上显示的数据可以在html源码中找到）代码，不是网站通过js或者ajax异步加载的），这种类型的网站数据比较容易爬取。但是网站上的一些数据是通过执行js代码来更新的，传统的方法不太适用。在这种情况下有几种方法：

　　清除网页上的网络信息，更新页面，观察网页发出的请求。有的网站可以通过这种方式构造参数，从而简化爬虫。但适用范围不够广泛。

　　使用 selenium 模拟浏览器行为来更新网页以获取更新的数据。本文将在以下部分重点介绍此方法。

　　一、准备

　　模拟浏览器需要两个工具：

　　1.selenium 可以通过 pip install selenium 直接安装。

　　2.PhantomJS，这是一个无接口，可脚本化的WebKit浏览器引擎，百度搜索，在其官网下载，下载后无需安装，放到指定路径，只需要使用指定路径文件所在的位置。

　　二、使用selenium模拟浏览器

　　本文爬取网站的例子为：:8099/ths-report/report!list.action?xmlname=46（最新测试发现网站打不开，2021年5月25日）

　　学习示例时请不要爬太多页面，只需通过过程了解如何爬取即可。

　　打开网站后，可以看到要爬取的数据是一个正则表，但是页面很多。

　　

　　在这个网站中，点击下一页的url是没有变化的，通过执行一段js代码来更新页面。因此，本文的思路是利用selenium模拟浏览器点击，点击“下一页”更新页面数据，获取更新后的页面数据。这是完整的代码：

　　　# -*- coding:utf-8 -*-

　　import requests

　　from bs4 import BeautifulSoup

　　import json

　　import time

　　from selenium import webdriver

　　import sys

　　reload(sys)

　　sys.setdefaultencoding( "utf-8" )

　　curpath=sys.path[0]

　　print curpath

　　def getData(url):

　　 # 使用下载好的phantomjs，网上也有人用firefox，chrome，但是我没有成功，用这个也挺方便

　　driver =webdriver.PhantomJS(executable_path="C:/phantomjs.exe")

　　driver.set_page_load_timeout(30)

　　time.sleep(3)

　　html=driver.get(url[0]) # 使用get方法请求url，因为是模拟浏览器，所以不需要headers信息

　　for page in range(3):

　　html=driver.page_source # 获取网页的html数据

　　soup=BeautifulSoup(html,'lxml') # 对html进行解析，如果提示lxml未安装，直接pip install lxml即可

　　table=soup.find('table',class_="report-table")

　　name=[]

　　for th in table.find_all('tr')[0].find_all('th'):

　　name.append(th.get_text()) # 获取表格的字段名称作为字典的键

　　flag=0 # 标记，当爬取字段数据是为0，否则为1

　　for tr in table.find_all('tr'):

　　# 第一行为表格字段数据，因此跳过第一行

　　if flag==1:

　　dic={}

　　i=0

　　for td in tr.find_all('td'):

　　dic[name[i]]=td.get_text()

　　i+=1

　　jsonDump(dic,url[1])#保存数据

　　flag=1

　　 # 利用find_element_by_link_text方法得到下一页所在的位置并点击，点击后页面会自动更新，只需要重新获取driver.page_source即可

　　driver.find_element_by_link_text(u"下一页").click()

　　

　　def jsonDump(_json,name):

　　"""store json data"""

　　with open(curpath+'/'+name+'.json','a') as outfile:

　　json.dump(_json,outfile,ensure_ascii=False)

　　with open(curpath+'/'+name+'.json','a') as outfile:

　　outfile.write(',\n')

　　if __name__ == '__main__':

　　url=['http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1465594312346','yzc'] # yzc为文件名，此处输入中文会报错，前面加u也不行，只好保存后手动改文件名……

　　getData(url) # 调用函数

　　本文通过driver.find_element_by_link_text方法获取下一页的位置。这是因为在这个网页中，这个标签没有唯一可识别的id，也没有class。如果是通过xpath定位，则首页和其他页面的xpath路径不完全相同，需要加一个if来判断。所以直接通过链接的text参数定位。click() 函数模拟浏览器中的点击。

　　硒的功能非常强大。可以解决很多普通爬虫在爬虫中使用时无法解决的问题。可以模拟点击、鼠标移动、提交表单（登录邮箱、登录wifi等应用，网上有很多例子，我暂时还没试过），当你遇到一些标新立异的网站数据爬取很困难，不妨试试selenium+phantomjs。