python抓取动态网页(快速入门：网页更新中的不同和XML的方式优点)

　　python抓取动态网页(快速入门：网页更新中的不同和XML的方式优点)

　　动态网页数据获取 什么是 AJAX：

　　AJAX（Asynchronouse JavaScript And XML）异步 JavaScript 和 XML。通过在后台与服务器交换少量数据，Ajax 可以使网页异步更新。这意味着可以在不重新加载整个网页的情况下更新网页的某些部分。如果内容需要更新，传统网页（不使用 Ajax）必须重新加载整个网页。因为传统的数据传输格式是XML语法。所以它被称为 AJAX。其实现在数据交互基本都是用JSON。使用AJAX加载的数据，即使使用JS将数据渲染到浏览器中，右击->查看网页源码也看不到ajax加载的数据，只能看到使用这个加载的html代码网址。

　　ajax数据的获取方式：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。该方法的优缺点

　　分析界面

　　可以直接请求数据。无需做一些解析工作。代码量小，性能高。

　　分析接口比较复杂，尤其是一些被js混淆的接口，必须有一定的js基础。很容易被发现是爬虫。

　　硒

　　直接模拟浏览器的行为。浏览器可以请求的内容也可以使用 selenium 请求。爬虫更稳定。

　　大量代码。低性能。

　　Selenium+chromedriver 获取动态数据：

　　Selenium 相当于一个机器人。可以在浏览器上模拟人类的一些行为，在浏览器上自动处理一些行为，比如点击、填充数据、删除cookies等。 chromedriver是一个驱动Chrome浏览器的驱动，可以用来驱动浏览器当然，不同的浏览器有不同的驱动程序。下面列出了不同的浏览器及其相应的驱动程序：

　　Chrome：安装Selenium和chromedriver：安装Selenium：Selenium有多种语言版本，如java、ruby、python等，我们可以下载python版本。

　　 pip3 install selenium

　　安装chromedriver：下载完成后，放在一个不需要权限的纯英文目录下。快速入门：

　　现在以获取百度首页的简单例子来谈谈如何快速上手Selenium和chromedriver：

　　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 常见操作：

　　更多教程请参考：

　　关闭页面： driver.close()：关闭当前页面。 driver.quit()：退出整个浏览器。定位元素： find_element_by_id：根据id查找元素。相当于：

　　 submitTag = driver.find_element_by_id('su')

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

　　find_element_by_class_name：根据类名查找元素。相当于：

　　 submitTag = driver.find_element_by_class_name('su')

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

　　find_element_by_name：根据name属性的值查找元素。相当于：

　　 submitTag = driver.find_element_by_name('email')

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

　　find_element_by_tag_name：根据标签名称查找元素。相当于：

　　submitTag = driver.find_element_by_tag_name('div')

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

　　find_element_by_xpath：根据 xpath 语法获取元素。相当于：

　　 submitTag = driver.find_element_by_xpath('//div')

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

　　find_element_by_css_selector：根据css选择器选择元素。相当于：

　　 submitTag = driver.find_element_by_css_selector('//div')

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

　　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)填写数据。示例代码如下：

　　 inputTag = driver.find_element_by_id('kw')

inputTag.send_keys('python')

　　使用clear方法清除输入框中的内容。示例代码如下：

　　 inputTag.clear()

　　操作checkbox：因为要选中checkbox标签，可以在网页上用鼠标点击。因此，如果要选中复选框标签，请先选中此标签，然后再执行点击事件。示例代码如下：

　　 rememberTag = driver.find_element_by_name("rememberMe")

rememberTag.click()

　　Select select：不能直接点击select元素。因为元素需要点击后被选中。这时候，selenium 专门为 select 标签提供了一个类 selenium.webdriver.support.ui.Select。将获取的元素作为参数传递给该类以创建该对象。您可以在将来使用此对象进行选择。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()

　　操作按钮：操作按钮的方法有很多种。比如单击、右键、双击等，这里是最常用的一种。只需点击。直接调用click函数就行了。示例代码如下：

　　 inputTag = driver.find_element_by_id('su')

inputTag.click()

　　行为链：

　　有时候页面上的操作可能会有很多步骤，那么这次可以使用鼠标行为链类ActionChains来完成。例如，现在您想将鼠标移动到一个元素并执行一个点击事件。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()

　　鼠标相关的操作较多。

　　Cookie 操作：获取所有 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 cookie：

　　 driver.delete_all_cookies()

　　删除cookie：

　　 driver.delete_cookie(key)

　　页面等待：

　　如今，越来越多的网页使用 Ajax 技术，因此程序无法确定某个元素何时完全加载。如果实际页面等待时间过长，某个dom元素没有出来，而你的代码直接使用了这个WebElement，那么就会抛出NullPointer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，另一种是显式等待。

　　隐式等待：调用 driver.implicitly_wait。然后，在获取不可用元素之前，它会等待 10 秒。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/")

　　显示等待：显示等待是表示在执行获取元素的操作之前已经建立了某种条件。也可以指定等待的最长时间，超过这个时间就会抛出异常。显示等待应在 selenium.webdriver.support.excepted_conditions 和 selenium.webdriver.support.ui.WebDriverWait 的预期条件下完成。示例代码如下：

　　 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() 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()

　　其他一些等待条件：

　　切换页面：

　　有时窗口中有很多子标签页。这个时候必须切换。 Selenium 提供了一个 switch_to_window 来切换。要切换到的特定页面可以在 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：

　　有些网页有时会被频繁抓取。服务器发现你是爬虫后会屏蔽你的ip地址。这时候我们就可以更改代理ip了。更改代理ip，不同浏览器实现方式不同。下面以Chrome浏览器为例进行说明：

　　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 类是获取的每个元素的类。

　　有一些常用的属性：

　　get_attribute：此标签的属性值。 screentshot：获取当前页面的截图。此方法只能在驱动上使用。

　　driver 的对象类也是继承自 WebElement。

　　更多内容请阅读相关源码。

　　转载于：