python3编写网络爬虫14-动态渲染页面爬取

一、动态渲染页面爬取

上节课我们了解了Ajax分析和抓取方式，这其实也是JavaScript动态渲染页面的一种情形，
通过直接分析Ajax，借助requests和urllib实现数据爬取

但是javaScript动态渲染布置Ajax一种例如中国青年网（http://news.youth.cn/gn/）分页部分由js生成，
并非原始HTML代码，这其中并不包含ajax请求比如ECharts官方示例（http://echarts.baidu.com/demo.html#bar-negative）
图形都是经过js计算生成的，再有淘宝即便是ajax请求但是接口很多都是加密参数，很难找到规律，也很难直接分析ajax抓取

python提供了很多模拟浏览器运行的库，例如Selenium Splash,PyV8 Ghost等。

1. Selenium的使用

selenium是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，例如点击下拉等操作，
同时还可以获取浏览器当前呈现的页面的源代码，做到可见既可爬。
对于一些js动态渲染的页面来说，此种爬取方式非常有效

1.1 安装

安装：python的Selenium库

pip install selenium

验证：python命令行 import selenium
无报错信息表示安装成功

安装Google浏览器并配置ChromeDriver

点击Google菜单帮助 -> 关于Google Chrome -> 查看版本号（版本 71.0.3578.98（正式版本）（64 位））

下载ChromeDriver

官网地址：

https://sites.google.com/a/chromium.org/chromedriver

下载地址：

https://chromedriver.storage.googleapis.com/index.html

对比自己浏览器版本下载相应版本

解压后把文件放到 python的script目录下例如 'C:UsersadminAppDataLocalProgramsPythonPython36Scripts'

验证： cmd命令行执行 chromedriver 输出如下信息：

Starting ChromeDriver 2.45.615291 (ec3682e3c9061c10f26ea9e5cdcf3c53f3f74387) on port 9515
Only local connections are allowed.

表示安装 ChromeDriver配置好了

测试在python程序中执行

from selenium import webdriver
browser = webdriver.Chrome()

程序运行后弹出空白的Chrome浏览器说明我们之前配置都没有问题

没有弹出重新配置闪退可能是版本不兼容

1.2 基本作用

示例如下：

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait

browser = webdriver.Chrome()

try:
　　browser.get('https://www.baidu.com')
　　input = browser.find_element_by_id('kw')
　　input.send_keys('Python')
　　input.send_keys(Keys.ENTER)
　　wait = WebDriverWait(browser,10)
　　wait.until(EC.presence_of_element_located((By.ID,'content_left')))
　　print(browser.current_url)
　　print(browser.get_cookies())
　　print(browser.page_source)
finally:
　　browser.close()

可以看到自动弹出浏览器首先跳转百度然后搜索框输入Python 接着跳转搜索结果页

搜索结果出来后控制台输出当前URL Cookies 网页源代码

使用selenium 驱动浏览器加载网页就可以拿到js渲染结果了不用担心什么加密系统

1.3 声明浏览器对象

Selenium 支持非常多的浏览器例如 Chrome Firefox Edge等还有Android BlackBerry等手机端浏览器
也支持PhantomJS *面浏览器

初始化方法：

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()

1.4 访问页面

get() 方法请求页面参数传入链接URL 例如访问淘宝

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
print(browser.page_source)
browser.close()

弹出Chrome浏览器自动访问淘宝控制台输出网页源代码随后浏览器关闭

1.5 查找节点

Selenium 可以驱动浏览器完成各种操作，例如填充表单，模拟点击等
例如想要完成某个输入框输入文字操作需要查找输入框位置

单个节点：
例如淘宝页面提取搜索框节点

id是q name是q

利用
find_element_by_name() 获取name值
find_element_by_id() 获取id
还可以根据xpath CSS选择器等获取方式

示例如下：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element_by_id('q')
input_second = browser.find_element_by_css_selector('#q')
input_third = browser.find_element_by_xpath('//*[@>)
print(input_first,input_second,input_third)
browser.close()

返回WebElement类型

获取单个节点的方法：

find_element_by_id()
find_element_by_name()
find_element_by_xpath()
find_element_by_link_text()
find_element_by_partial_link_text()
find_element_by_tag_name()
find_element_by_class_name()
find_element_by_css_selector()

另外还提供了通用方法 find_element() 需要传入两个参数：1.查找方式 2.值
例如：find_element(By.ID,id) 等价于 find_element_by_id(id)

示例如下：

from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element(By.ID,'q')
print(input_first)
browser.close()

多个节点：
find_elements() 查找所有满足条件的节点

示例：查找淘宝左侧导航条的所有条目

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('http://www.taobao.com')
lis = browser.find_elements_by_css_selector('.service-bd li')
print(lis)
browser.close()

返回列表每个元素是WebElement类型

获取多个节点的方法：

find_elements_by_id()
find_elements_by_name()
find_elements_by_xpath()
find_elements_by_link_text()
find_elements_by_partial_link_text()
find_elements_by_tag_name()
find_elements_by_class_name()
find_elements_by_css_selector()

1.6 节点交互

send_keys() 输入文字
clear() 清空文字
click() 点击按钮

示例：

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('http://www.taobao.com')
input = browser.find_element_by_id('q')
input.send_keys('iPhone')
time.sleep(1)
input.clear()
input.send_keys('iPad')
button = browser.find_element_by_class_name('btn-search')
button.click()

首先打开淘宝获取输入框输入iphone文字等待一秒清空输入框输入ipad 说去搜索按钮点击按钮

官方文档交互动作：http:selenium-python.readthedocs.io/api.html#module-selenium.webdrive.remote.webelement

1.7 动作链

例如鼠标拖拽键盘按键等动作

示例：

from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css_selector('#draggable')
target = browser.find_element_by_css_selector('#droppable')
actions = ActionChains(browser)
actions.drag_and_drop(source,target)
actions.perform()

首先打开网页中一个拖拽实例，然后依次选中要拖拽的节点和拖拽的目标节点
声明ActionChains对象并将其赋值为actions变量，然后通过调用actions变量的 drag_and_drop()方法
在调用 perform()方法执行动作，此时就完成了拖拽操作

更多动作链操作参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

1.8 执行JavaScript

对于某些操作selenium API 并没有提供例如下拉进度条可以使用 execute_script()方法即可实现

示例：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')

这里利用 execute_script()方法将进度条下拉到最底部，然后弹出alert提示框

1.9 获取节点信息

获取属性
get_attribute() 方法获取节点属性前提是选中这个节点

示例：驱动浏览器打开知乎页面获取知乎log节点打印出class

from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = 'https:www.zhihu.com/explore'
browser.get(url)
logo = browser.find_element_by_id('zh-top-link-logo')
print(logo)
print(logo.get_attribute('class'))

获取文本值
text属性

示例：打开知乎页面获取“提问”按钮的节点将文本打印出来

from selenium import webdriver

browser = webdriver.Chrome()
url = 'https:www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.text)

获取 ID 位置标签名和大小

id属性可以获取id location属性获取该节点在页面中相对位置，tag_name属性获取标签名 size获取节点大小（宽高）

示例: 获得“提问”按钮节点调用id location tag_name size属性分别获取对应的属性值

from selenium import webdriver

browser = webdriver.Chrome()
url = 'https:www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.id)
print(input.location)
print(input.tag_name)
print(input.size)

1.10 切换frame

页面中有一种节点iframe 也就是frame 相当于当前页面的子页面结构和外部网页结构完全一致
selenium 打开页面默认是在父级frame里面操作如果里面还子页面是获取不到里面节点的
需要使用 switch_to.frame() 方法切换子frame

示例：获取动作链接操作网页的logo

import time
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')#切换到子frame
try:
　　logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
　　print('NO LOGO')
browser.switch_to.parent_frame()#切换到父frame
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

1.11 延时等待

selenium中get方法会在网页框架加载结束后结束执行如果此时获取page_source 可能并不是网页加载完全的页面
如果某些页面存在ajax加载网页源代码也不一定能获取的到所以需要延时等待一定时间，确保节点已经加载出来

两种方式隐式等待显式等待

隐式等待

当使用隐式等待时 selenium没有在DOM中找到节点将继续等待超出设置时间后抛出异常默认时间是0
示例： implicitly_wait() 方法

from selenium import webdriver

browser = webdriver.Chrome()
browser.implicitly_wait(10)
browser.get('https://www.zhihu.com/explore')
input = browser.find_element_by_class_name('zu-top-add-question')
print(input)

显式等待 until() 方法

如果页面加载受网络条件影响隐式效果就不是很好

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait#引入 WebDriverWait对象

browser = webdriver.Chrome()
browser.get('https://www.taobao.com/')
wait = WebDriverWait(browser,10)
input = wait.until(EC.presence_of_element_located((By.ID,'q')))#调用until方法 节点出现
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'.btn-search')))#调用until方法 按钮可点击
print(input,button)

更多等待条件

title_is() 标题是某内容
title_contains()    标题包含某内容
presence_of_element_located() 节点加载出来 传入定位元组 例如（By.ID,'P'）
visibility_of_element_located()    节点可见 传入定位元组
visibility_of() 可见 传入节点对象
presence_of_all_element_located()    所有节点加载出来
text_to_be_present_in_element()    某个节点文本包含某文字
text_to_be_present_in_element_value()    某个节点值包含某文字
frame_to_be_available_and_switch_to_it()加载并切换
invisibility_of_element_located()    节点不可见
element_to_be_clickable() 节点可点击
staleness_of()    判断一个节点是否仍在DOM 可判断页面是否刷新
element_located_to_be_selected()    节点可选择 传入节点对象
element_selection_state_to_be()    传入节点对象以及状态 相等返回True 否则False
element_located_selected_to_be() 传入定位元组以及状态 相等返回True 否则False
alert_is_present()    是否出现警告

更多参考官方文档 http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

1.12 前进和后退

forward() 方法前进 back()方法后退

示例：

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.get('https://www.python.org')
browser.back()
time.sleep(1)
browser.forward()
browser.close()

1.13 Cookies

获取 get_cookies()
添加 add_cookie()
删除 delete_all_cookies()

示例：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name':'name','domain':'wwww.zhihu.com','value':'germery'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

1.14 选项卡管理

在访问网页时会出现一个个选项卡 selenium可以对选项卡进行操作

示例：

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https:www.baidu.com')
browser.execute_script('window.open()')
print(browser.window_handles)
browser.switch_to_window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])
browser.get('https://python.org')

1.15 异常处理

在使用selenium的过程中难免会出现一些异常例如超时节点未找到一旦出现此类错误程序就不会执行了
使用 try except 捕获异常

示例：节点未找到

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https:www.baidu.com')
browser.find_element_by_id('hello')

报错 NoSuchElementException

防止程序遇到异常中断捕获异常示例：

from selenium import webdriver
from selenium.common.exceptions import TimeoutException,NoSuchElementException

browser = webdriver.Chrome()
try:
　　browser.get('https://www.baidu.com')
except TimeoutException:
　　print('Time Out')
try:
　　browser.find_element_by_id('hello')
except NoSuchElementException:
　　print('No Element')
finally:
browser.close()

更多异常类官网：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.exceptions

python3编写网络爬虫14-动态渲染页面爬取

相关推荐