python抓取动态网页(利用selenium的子模块webdriver的html内容解决的问题)

　　python抓取动态网页(利用selenium的子模块webdriver的html内容解决的问题)

　　文章目的

　　我们在使用Python爬取网页数据时，经常会用到urllib模块，它通过调用urllib模块的urlopen(url)方法返回网页对象，并使用read()方法获取url的html内容，然后使用 BeautifulSoup 抓取某个 Tag 内容，结合正则表达式过滤。但是，使用 urllib.urlopen(url).read() 得到的只是网页的静态 html 内容。很多动态数据（如网站访问者数、当前在线人数、微博点赞数等）收录在静态html中，比如我要抓取当前在线人数本bbs网站中的每一部分，不收录静态html页面（不信你尝试查看页面源代码，只有简单的一行）。

　　解决方案

　　我试过网上说的浏览器自带的开发者工具（一般是F12弹出对应网页的开发者工具），查网络获取动态数据的走势，但这需要多方寻找线索网址。我个人觉得太麻烦了。另外，用查看器查看的html内容也收录动态数据，但是有几个问题：如何实时获取查看器的html内容？如何将查看器的html导入python程序？因此，使用查看器的html内容的方法也不符合爬虫的要求。

　　偶然发现了selenium模块，发现这个模块可以很方便的根据url加载页面获取session，并找到当前session对应的label。本文将使用 selenium webdriver 模块来获取这些动态生成的内容，尤其是一些重要的动态数据。事实上，selenium 模块的功能并不仅限于爬取网页。它是网络自动化测试的常用模块。它广泛用于 Ruby 和 Java。虽然 Python 用的比较少，但它也是一个非常简单、高效、好用的自动化测试。模块。通过使用selenium的子模块webdriver解决动态数据的抓取问题，也可以对selenium有一个基本的了解，为进一步学习自动化测试打下基础。

　　实施流程操作环境

　　我在Windows 7系统上安装了Python 2.7版本，使用Python(X,Y) IDE，安装的Python库没有自带selenium，直接在Python程序中导入selenium会提示有没有这个模块，联网状态下，cmd直接进入pip install selenium，系统会找到Python安装目录直接下载、解压安装这个模块。终端提示完成后，可以查看C:\Python27\Lib\site-packages目录下是否有selenium模块。此目录取决于您安装 Python 的路径。如果有 selenium 和 selenium-2.47.3.dist-info 文件夹，则表示可以在 Python 程序中加载该模块。

　　使用 webdriver 抓取动态数据

　　1.先导入webdriver子模块

　　从硒导入网络驱动程序

　　2.获取浏览器的会话。浏览器可以使用 Firefox、Chrome、IE 等。这里我们以火狐为例

　　浏览器 = webdriver.Firefox()

　　3.加载页面，url本身可以指定合法字符串

　　浏览器.get(url)

　　4.获取到session对象后，定位元素，webdriver提供了一系列元素定位方法，常用的有以下几种方式：

　　ID

　　姓名

　　班级名称

　　关联

　　文本

　　部分的

　　关联

　　文本

　　标签

　　姓名

　　路径

　　选择器

　　比如通过id定位，返回所有元素的列表，lis=borwser.find_elements_by_id_name('kw'')

　　按类名定位，lis=find_elements_by_class_name('title_1')

　　更详细的定位方法请参考大神《博客园-昆虫大师》的selenium webdriver（python）教程第三章-定位方法部分（第一版可百度文库阅读，第二版）版将从头开始收费>-