如何用Selenium抓取动态网页数据?

发表于:2019-11-26 10:30

字体: | 上一篇 | 下一篇 | 我要投稿

 作者:佚名    来源:网络大数据

分享:
  1.selenium抓取动态网页数据基础介绍
  1.1 什么是AJAX
  AJAX(Asynchronouse JavaScript And XML:异步JavaScript和XML)通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局部更新。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。
  因为传统的网页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。
  1.2 获取ajax数据的方式
  法1:直接分析ajax调用的接口。然后通过代码请求这个接口。
  法2:使用Selenium+chromedriver模拟浏览器行为获取数据。
  1.3 Selenium+chromedriver获取动态数据
  Selenium相当于是一个机器人。可以模拟人类在浏览器上的一些行为,自动处理浏览器上的一些行为,比如点击,填充数据,删除cookie等。chromedriver是一个驱动Chrome浏览器的驱动程序,使用他才可以驱动浏览器。当然针对不同的浏览器有不同的driver。以下列出了不同浏览器及其对应的driver:
  Chrome:https://sites.google.com/a/chromium.org/chromedriver/downloads
  Firefox:https://github.com/mozilla/geckodriver/releases
  Edge:https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
  Safari:https://webkit.org/blog/6900/webdriver-support-in-safari-10/
  1.4 安装Selenium和chromedriver
  安装Selenium:Selenium有很多语言的版本,有java、ruby、python等。我们下载python版本的就可以了。
  pip 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。
  1.5 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("https://www.baidu.com/")
  # 通过page_source获取网页源代码
  print(driver.page_source)
  1.6 selenium常用操作
   #-*-coding = utf-8 -*-
  from selenium import webdriver
  from selenium.webdriver.common.by import By
  # 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常用操作
  1.关闭页面:
  driver.close():关闭当前页面。
  driver.quit():退出整个浏览器。
  2.定位元素:
  a)find_element_by_id:根据id来查找某个元素。等价于:
  submitTag = driver.find_element_by_id('su')
  submitTag1 = driver.find_element(By.ID,'su')
  b)find_element_by_class_name:根据类名查找元素。 等价于:
  submitTag = driver.find_element_by_class_name('su')
  submitTag1 = driver.find_element(By.CLASS_NAME,'su')
  c)find_element_by_name:根据name属性的值来查找元素。等价于:
  submitTag = driver.find_element_by_name('email')
  submitTag1 = driver.find_element(By.NAME,'email')
  d)find_element_by_tag_name:根据标签名来查找元素。等价于:
  submitTag = driver.find_element_by_tag_name('div')
  submitTag1 = driver.find_element(By.TAG_NAME,'div')
  e)find_element_by_xpath:根据xpath语法来获取元素。等价于:
  submitTag = driver.find_element_by_xpath('//div')
  submitTag1 = driver.find_element(By.XPATH,'//div')
  f)find_element_by_css_selector:根据css选择器选择元素。等价于:
  submitTag = driver.find_element_by_css_selector('//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。
  3.操作表单元素:
  a)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:
  inputTag = driver.find_element_by_id('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()
  b)操作checkbox:因为要选中checkbox标签,在网页中是通过鼠标点击的。因此想要选中checkbox标签,那么先选中这个标签,然后执行click事件。示例代码如下:
  rememberTag = driver.find_element_by_name("rememberMe")
  rememberTag.click()
  c)选择select:select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中,创建这个对象。以后就可以使用这个对象进行选择了。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()
  d)操作按钮:操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。示例代码如下:
  inputTag = driver.find_element_by_id('su')
  inputTag.click()
  4.行为链:
  有时候在页面中的操作可能要有很多步,那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件。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()
  还有更多的鼠标相关的操作:
  click_and_hold(element):点击但不松开鼠标。
  context_click(element):右键点击。
  double_click(element):双击。
  更多方法请参考:http://selenium-python.readthedocs.io/api.html
  
   #-*-coding = utf-8 -*-
  from selenium import webdriver
  from selenium.webdriver.common.by import By
  # chromedriver的绝对路径
  driver_path = r'E:\study\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)
  # 5.Cookie操作:
  # a)获取所有的cookie:
  for cookie in driver.get_cookies():
  print(cookie)
  # b)根据cookie的key获取value:
  #value = driver.get_cookie(key)
  print(driver.get_cookie('PSTM'))
  # c)删除所有的cookie:
  driver.delete_all_cookies()
  # d)删除某个cookie:
  #driver.delete_cookie(key)
  # 6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。
  # a)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("https://www.douban.com/")
  # b)显示等待:显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间,如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。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()
  # 一些其他的等待条件:
  # presence_of_element_located:某个元素已经加载完毕了。
  # presence_of_all_emement_located:网页中所有满足条件的元素都加载完毕了。
  # element_to_be_cliable:某个元素是可以点击了。
  # 更多条件请参考:http://selenium-python.readthedocs.io/waits.html

   7.页面切换
  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
  driver.execute_script("window.open('https://www.douban.com/')")
  print(driver.window_handles)
  # 切换到这个新的页面中
  driver.switch_to_window(self.driver.window_handles[1])
  print(driver.current_url)
  #注意
  #虽然在浏览器窗口中切换到了新的页面,但是driver中还没有切换
  #如果想要在代码中切换到新的界面,那么应该使用driver.switch_to_window来切换到指定的窗口
  #从driver.window_handles中取出具体第几个窗口
  #driver.window_handles是一个列表,里面装的都是窗口句柄,它会按照打开的页面顺序来存储窗口的句柄。
  8.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 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')
  9. WebElement元素
  from 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。
   1.7 爬取拉钩网职位信息
   import requests
  from lxml import etree
  import time
  import re
  headers = {
  "Accept":"application/json, text/javascript, */*; q=0.01",
  "Accept-Encoding":"gzip, deflate, br",
  "Accept-Language":"zh-CN,zh;q=0.9",
  "Connection":"keep-alive",
  "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36",
  "Referer":"https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=",
  "Origin":"https://www.lagou.com",
  "Host":"www.lagou.com",
  "Content-Type":"application/x-www-form-urlencoded; charset=UTF-8",
  "Cookie":"_ga=GA1.2.1602115737.1553064534; user_trace_token=20190320144853-39b1375a-4adc-11e9-a253-525400f775ce; LGUID=20190320144853-39b13f88-4adc-11e9-a253-525400f775ce; WEBTJ-ID=20190408120043-169fb1afd63488-06179b118ca307-7a1437-2073600-169fb1afd648ed; _gid=GA1.2.1826141825.1554696044; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%22169fb1bb2c41ea-04951e55adc96a-7a1437-2073600-169fb1bb2c58d0%22%2C%22%24device_id%22%3A%22169fb1bb2c41ea-04951e55adc96a-7a1437-2073600-169fb1bb2c58d0%22%7D; sajssdk_2015_cross_new_user=1; _putrc=4C5D2603888320CA; JSESSIONID=ABAAABAAADEAAFIB00F5DDE71D51610901CB9E0031812BA; login=true; unick=%E4%BC%8D%E6%99%93%E4%B8%BD; showExpriedIndex=1; showExpriedCompanyHome=1; showExpriedMyPublish=1; hasDeliver=49; gate_login_token=7b04a40da89145a1fbc90a3d719616d28c8b0a303344ac37; index_location_city=%E6%88%90%E9%83%BD; X_MIDDLE_TOKEN=1221e6b5040722dc86f5ceb557e11965; _gat=1; LGSID=20190408151935-a9976fbf-59ce-11e9-8cc8-5254005c3644; PRE_UTM=m_cf_cpc_baidu_pc; PRE_HOST=www.baidu.com; PRE_SITE=https%3A%2F%2Fwww.baidu.com%2Fbaidu.php%3Fsc.Ks000001qLT2daZnZWIez3ktR_jhHue3tONZubxU9mivhxeuj-Fxrjg6NnVcKTp-GYJ_YRvrc9_yOJ4uV-IEpfnPazPz7ctjve1qlDokCDfHYo9PV0uDfTmN1OunNUcCRU-sJuR8RZz60PAXzfKybAdvuCxUedbt8aWtTjAdCCuO298TwT8zN1-T5EG3kgkOweg0DHGIbvP55IZbr6.DY_NR2Ar5Od663rj6tJQrGvKD7ZZKNfYYmcgpIQC8xxKfYt_U_DY2yP5Qjo4mTT5QX1BsT8rZoG4XL6mEukmryZZjzsLTJplePXO-8zNqrw5Q9tSMj_qTr1x9tqvZul3xg1sSxW9qx-9LdoDkY4QPSl81_4pqO24rM-8dQjPakb3dS5iC0.U1Yk0ZDqs2v4VnL30ZKGm1Yk0Zfqs2v4VnL30A-V5HcsP0KM5gK1n6KdpHdBmy-bIykV0ZKGujYzr0KWpyfqnWcv0AdY5HDsnHIxnH0krNtknjc1g1nsnHNxn1msnfKopHYs0ZFY5HDLn6K-pyfq0AFG5HcsP0KVm1Y3nHDYP1fsrjuxnH0snNtkg1Dsn-ts0Z7spyfqn0Kkmv-b5H00ThIYmyTqn0K9mWYsg100ugFM5H00TZ0qPWm1PHm1rj640A4vTjYsQW0snj0snj0s0AdYTjYs0AwbUL0qn0KzpWYs0Aw-IWdsmsKhIjYs0ZKC5H00ULnqn0KBI1Ykn0K8IjYs0ZPl5fK9TdqGuAnqTZnVUhC0IZN15Hnkn1fknHT4P1DvPHR1PW61P100ThNkIjYkPHRYP10LrHTkPjTY0ZPGujd9rAwBmhuWrj0snjDzrj0Y0AP1UHYsPbm3wWTsrH0srjwarDcz0A7W5HD0TA3qn0KkUgfqn0KkUgnqn0KlIjYs0AdWgvuzUvYqn7tsg1Kxn7ts0Aw9UMNBuNqsUA78pyw15HKxn7tsg1nkrjm4nNts0ZK9I7qhUA7M5H00uAPGujYknjT1P1fkrjcY0ANYpyfqQHD0mgPsmvnqn0KdTA-8mvnqn0KkUymqn0KhmLNY5H00uMGC5H00uh7Y5H00XMK_Ignqn0K9uAu_myTqnfK_uhnqn0KEIjYs0AqzTZfqnanscznsc100mLFW5HRdPj0Y%26word%3D%25E6%258B%2589%25E5%258B%25BE%25E7%25BD%2591%26ck%3D1701.10.72.227.558.354.602.254%26shh%3Dwww.baidu.com%26sht%3D62095104_19_oem_dg%26us%3D1.0.1.0.1.301.0%26bc%3D110101; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2Flp%2Fhtml%2Fcommon.html%3Futm_source%3Dm_cf_cpc_baidu_pc%26m_kw%3Dbaidu_cpc_cd_e110f9_d2162e_%25E6%258B%2589%25E5%258B%25BE%25E7%25BD%2591; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1553064535,1554696044,1554707975; TG-TRACK-CODE=index_search; SEARCH_ID=16b25888bc6f489f981996ef505d6930; X_HTTP_TOKEN=3704e5535eab672a10080745514b2c7fac0430c282; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1554708001; LGRID=20190408152002-b9743b5b-59ce-11e9-9a84-525400f775ce",
  "X-Anit-Forge-Code":"0" ,
  "X-Anit-Forge-Token":'',
  "X-Requested-With":'XMLHttpRequest'
  }
  def get_detail_page_url():
  datas =[]
  url = 'https://www.lagou.com/jobs/positionAjax.json'
  form_data = {
  "first":"faise",
  "pn":1,
  "kd":"python"
  }
  params = {
  'city':'成都',
  'needAddtionalResult':'false'
  }
  for pn in range(1,14):
  form_data['pn'] = pn
  response = requests.request(method='post',url=url,headers=headers,params = params,data = form_data)
  result = response.json()
  result_list = result['content']['positionResult']['result']
  for position in result_list:
  position_id = position['positionId']
  detail_url = 'https://www.lagou.com/jobs/%s.html'%position_id
  data = parse_detail_page(detail_url)
  datas.append(data)
  time.sleep(2)
  return datas
  def parse_detail_page(url):
  resonse = requests.request(method='get',url=url,headers = headers)
  text = resonse.text
  html = etree.fromstring(text,parser=etree.HTMLParser())
  position_name = html.xpath('//span[@class="name"]/text()')[0].strip()
  detail_list = html.xpath('//dd[@class="job_request"]//span')
  salary = detail_list[0].xpath('text()')[0].strip()
  city = detail_list[1].xpath('text()')[0].strip()
  city = re.sub(r'[\s/]','',city)
  work_years = detail_list[2].xpath('text()')[0].strip()
  work_years = re.sub(r'[\s/]','',work_years)
  education = detail_list[3].xpath('text()')[0].strip()
  education = re.sub(r'[\s/]','',education)
  job_details = ''.join(html.xpath('//div[@class="job-detail"]//p//text()'))
  data = {
  "position_name":position_name,
  "salay":salary,
  "city":city,
  "work_years":work_years,
  "education":education,
  "job_details":job_details
  }
  return data
  def main():
  datas = get_detail_page_url()
  print(datas)
  if __name__ == '__main__':
  main()
  
   from selenium import webdriver
  from selenium.webdriver.support.ui import WebDriverWait
  from selenium.webdriver.support import expected_conditions as EC
  from selenium.webdriver.common.by import By
  from lxml import etree
  import re
  import time
  class Lagouspider(object):
  driver_path = r'E:\study\chromedriver\chromedriver.exe'
  def __init__(self):
  self.driver = webdriver.Chrome(executable_path=Lagouspider.driver_path)
  self.url = 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput='
  self.positions = []
  def run(self):
  while True:
  self.driver.get(self.url)
  source = self.driver.page_source
  WebDriverWait(driver=self.driver,timeout=10).until(EC.presence_of_element_located((By.XPATH,'//div[@class="pager_container"]/span[last()]')))
  self.parse_list_page(source)
  next_btn = self.driver.find_element_by_xpath('//div[@class="pager_container"]/span[last()]')
  if "pager_next_disabled"  in next_btn.get_attribute('class'):
  break
  else:
  next_btn.click()
  time.sleep(1)
  def parse_list_page(self,source):
  html = etree.HTML(source)
  links = html.xpath('//a[@class="position_link"]/@href')
  for link in links:
  self.request_detail_page(link)
  time.sleep(1)
  def request_detail_page(self,url):
  self.driver.execute_script("window.open('%s')"%url)
  self.driver.switch_to.window(self.driver.window_handles[1])
  WebDriverWait(self.driver,timeout=10).until(EC.presence_of_element_located((By.XPATH,'//span[@class="name"]')))
  source = self.driver.page_source
  self.parse_detail_page(source)
  #关闭当前详情页
  self.driver.close()
  #切换回职位列表页
  self.driver.switch_to.window(self.driver.window_handles[0])
  def parse_detail_page(self,source):
  html = etree.HTML(source)
  position_name = html.xpath('//span[@class="name"]/text()')[0].strip()
  detail_list = html.xpath('//dd[@class="job_request"]//span')
  salary = detail_list[0].xpath('text()')[0].strip()
  city = detail_list[1].xpath('text()')[0].strip()
  city = re.sub(r'[\s/]', '', city)
  work_years = detail_list[2].xpath('text()')[0].strip()
  work_years = re.sub(r'[\s/]', '', work_years)
  education = detail_list[3].xpath('text()')[0].strip()
  education = re.sub(r'[\s/]', '', education)
  desc = ''.join(html.xpath('//dd[@class="job_bt"]//text()')).strip()
  data = {
  "name": position_name,
  "salay": salary,
  "city": city,
  "work_years": work_years,
  "education": education,
  "desc": desc
  }
  print(data)
  print('+'*40)
  self.positions.append(data)
  if __name__ == '__main__':
  spider = Lagouspider()
  spider.run()
  
      本文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理
《2023软件测试行业现状调查报告》独家发布~

关注51Testing

联系我们

快捷面板 站点地图 联系我们 广告服务 关于我们 站长统计 发展历程

法律顾问:上海兰迪律师事务所 项棋律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2024
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪ICP备05003035号

沪公网安备 31010102002173号