2. 程式人生 > 其它 >動態網頁資料抓取

動態網頁資料抓取

阿新 • • 發佈：2022-03-05

什麼是AJAX：

AJAX（Asynchronouse JavaScript And XML）非同步JavaScript和XML。過在後臺與伺服器進行少量資料交換，Ajax 可以使網頁實現非同步更新。這意味著可以在不重新載入整個網頁的情況下，對網頁的某部分進行更新。傳統的網頁（不使用Ajax）如果需要更新內容，必須過載整個網頁頁面。因為傳統的在傳輸資料格式方面，使用的是XML語法。因此叫做AJAX，其實現在資料互動基本上都是使用JSON。使用AJAX載入的資料，即使使用了JS，將資料渲染到了瀏覽器中，在右鍵->檢視網頁原始碼還是不能看到通過ajax載入的資料，只能看到使用這個url載入的html程式碼。

獲取ajax資料的方式：

  1. 直接分析ajax呼叫的介面。然後通過程式碼請求這個介面。
  2. 使用Selenium+chromedriver模擬瀏覽器行為獲取資料。
方式優點缺點
分析介面 直接可以請求到資料。不需要做一些解析工作。程式碼量少，效能高。 分析介面比較複雜，特別是一些通過js混淆的介面，要有一定的js功底。容易被發現是爬蟲。
selenium 直接模擬瀏覽器的行為。瀏覽器能請求到的，使用selenium也能請求到。爬蟲更穩定。 程式碼量多。效能低。

Selenium+chromedriver獲取動態資料：

Selenium相當於是一個機器人。可以模擬人類在瀏覽器上的一些行為，自動處理瀏覽器上的一些行為，比如點選，填充資料，刪除cookie等。chromedriver

是一個驅動Chrome瀏覽器的驅動程式，使用他才可以驅動瀏覽器。當然針對不同的瀏覽器有不同的driver。以下列出了不同瀏覽器及其對應的driver：

　　 Pycharm啟用碼教程使用更多解釋請見：https://vrg123.com

  1. Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads
  2. Firefox：https://github.com/mozilla/geckodriver/releases
  3. Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
  4. Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

安裝Selenium和chromedriver：

  1. 安裝Selenium：Selenium有很多語言的版本，有java、ruby、python等。我們下載python版本的就可以了。 
     pip install selenium
  2. 安裝chromedriver：下載完成後，放到不需要許可權的純英文目錄下就可以了。

快速入門：

現在以一個簡單的獲取百度首頁的例子來講下Selenium和chromedriver如何快速入門：

from selenium import webdriver

# chromedriver的絕對路徑
driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'

# 初始化一個driver，並且指定chromedriver的路徑
driver = webdriver.Chrome(executable_path=driver_path)
# 請求網頁
driver.get("https://www.baidu.com/")
# 通過page_source獲取網頁原始碼
print(driver.page_source)

selenium常用操作：

更多教程請參考：http://selenium-python.readthedocs.io/installation.html#introduction

關閉頁面：

  1. driver.close()：關閉當前頁面。
  2. driver.quit()：退出整個瀏覽器。

定位元素：

  1. find_element_by_id：根據id來查詢某個元素。等價於： 
     submitTag = driver.find_element_by_id('su')
 submitTag1 = driver.find_element(By.ID,'su')
  2. find_element_by_class_name：根據類名查詢元素。 等價於： 
     submitTag = driver.find_element_by_class_name('su')
 submitTag1 = driver.find_element(By.CLASS_NAME,'su')
  3. find_element_by_name：根據name屬性的值來查詢元素。等價於： 
     submitTag = driver.find_element_by_name('email')
 submitTag1 = driver.find_element(By.NAME,'email')
  4. find_element_by_tag_name：根據標籤名來查詢元素。等價於： 
     submitTag = driver.find_element_by_tag_name('div')
 submitTag1 = driver.find_element(By.TAG_NAME,'div')
  5. find_element_by_xpath：根據xpath語法來獲取元素。等價於： 
     submitTag = driver.find_element_by_xpath('//div')
 submitTag1 = driver.find_element(By.XPATH,'//div')

  6. find_element_by_css_selector：根據css選擇器選擇元素。等價於：

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

    要注意，find_element是獲取第一個滿足條件的元素。find_elements是獲取所有滿足條件的元素。

操作表單元素：

  1. 操作輸入框：分為兩步。第一步：找到這個元素。第二步：使用send_keys(value)，將資料填充進去。示例程式碼如下：

     inputTag = driver.find_element_by_id('kw')
 inputTag.send_keys('python')

    使用clear方法可以清除輸入框中的內容。示例程式碼如下：

     inputTag.clear()

  2. 操作checkbox：因為要選中checkbox標籤，在網頁中是通過滑鼠點選的。因此想要選中checkbox標籤，那麼先選中這個標籤，然後執行click事件。示例程式碼如下：

     rememberTag = driver.find_element_by_name("rememberMe")
 rememberTag.click()

  3. 選擇select：select元素不能直接點選。因為點選後還需要選中元素。這時候selenium就專門為select標籤提供了一個類selenium.webdriver.support.ui.Select。將獲取到的元素當成引數傳到這個類中，建立這個物件。以後就可以使用這個物件進行選擇了。示例程式碼如下：

     from selenium.webdriver.support.ui import Select
 # 選中這個標籤，然後使用Select建立物件
 selectTag = Select(driver.find_element_by_name("jumpMenu"))
 # 根據索引選擇
 selectTag.select_by_index(1)
 # 根據值選擇
 selectTag.select_by_value("http://www.95yueba.com")
 # 根據可視的文字選擇
 selectTag.select_by_visible_text("95秀客戶端")
 # 取消選中所有選項
 selectTag.deselect_all()

  4. 操作按鈕：操作按鈕有很多種方式。比如單擊、右擊、雙擊等。這裡講一個最常用的。就是點選。直接呼叫click函式就可以了。示例程式碼如下：

     inputTag = driver.find_element_by_id('su')
 inputTag.click()

行為鏈：

有時候在頁面中的操作可能要有很多步，那麼這時候可以使用滑鼠行為鏈類ActionChains來完成。比如現在要將滑鼠移動到某個元素上並執行點選事件。那麼示例程式碼如下：

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()

還有更多的滑鼠相關的操作。

Cookie操作：

  1. 獲取所有的cookie： 
     for cookie in driver.get_cookies():
     print(cookie)
  2. 根據cookie的key獲取value： 
     value = driver.get_cookie(key)
  3. 刪除所有的cookie： 
     driver.delete_all_cookies()
  4. 刪除某個cookie： 
     driver.delete_cookie(key)

頁面等待：

現在的網頁越來越多采用了 Ajax 技術，這樣程式便不能確定何時某個元素完全加載出來了。如果實際頁面等待時間過長導致某個dom元素還沒出來，但是你的程式碼直接使用了這個WebElement，那麼就會丟擲NullPointer的異常。為了解決這個問題。所以 Selenium 提供了兩種等待方式：一種是隱式等待、一種是顯式等待。

  1. 隱式等待：呼叫driver.implicitly_wait。那麼在獲取不可用的元素之前，會先等待10秒中的時間。示例程式碼如下：

    driver = webdriver.Chrome(executable_path=driver_path)
driver.implicitly_wait(10)
# 請求網頁
driver.get("https://www.douban.com/")

  2. 顯示等待：顯示等待是表明某個條件成立後才執行獲取元素的操作。也可以在等待的時候指定一個最大的時間，如果超過這個時間那麼就丟擲一個異常。顯示等待應該使用selenium.webdriver.support.excepted_conditions期望的條件和selenium.webdriver.support.ui.WebDriverWait來配合完成。示例程式碼如下：

     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()

  3. 一些其他的等待條件：

    • presence_of_element_located：某個元素已經載入完畢了。
    • presence_of_all_emement_located：網頁中所有滿足條件的元素都載入完畢了。

    • element_to_be_cliable：某個元素是可以點選了。

      更多條件請參考：http://selenium-python.readthedocs.io/waits.html

切換頁面：

有時候視窗中有很多子tab頁面。這時候肯定是需要進行切換的。selenium提供了一個叫做switch_to_window來進行切換，具體切換到哪個頁面，可以從driver.window_handles中找到。示例程式碼如下：

# 開啟一個新的頁面
self.driver.execute_script("window.open('"+url+"')")
# 切換到這個新的頁面中
self.driver.switch_to_window(self.driver.window_handles[1])

設定代理ip：

有時候頻繁爬取一些網頁。伺服器發現你是爬蟲後會封掉你的ip地址。這時候我們可以更改代理ip。更改代理ip，不同的瀏覽器有不同的實現方式。這裡以Chrome瀏覽器為例來講解：

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')

WebElement元素：

from selenium.webdriver.remote.webelement import WebElement類是每個獲取出來的元素的所屬類。
有一些常用的屬性：

    1. get_attribute：這個標籤的某個屬性的值。
    2. screentshot：獲取當前頁面的截圖。這個方法只能在driver上使用。
      driver的物件類，也是繼承自WebElement。
      更多請閱讀相關原始碼。

相關推薦

動態網頁資料抓取

什麼是AJAX： AJAX（Asynchronouse JavaScript And XML）非同步JavaScript和XML。過在後臺與伺服器進行少量資料交換，Ajax 可以使網頁實現非同步更新。這意味著可以在不重新載入整個網頁的情況下，對網頁的某部分進

Python爬蟲之json動態資料抓取

python爬蟲之get請求 # 安裝requests包：pip install requests import requests response = requests.get(\'https://www.baidu.com/more/\')

python+mongodb資料抓取詳細介紹

分享點乾貨！！！ Python資料抓取分析 程式設計模組：requests,lxml，pymongo，time，BeautifulSoup

PuppeteerSharp+AngleSharp的爬蟲實戰之汽車之家資料抓取

參考了DotNetSpider示例，感覺DotNetSpider太重了，它是一個比較完整的爬蟲框架。對比了以下各種無頭瀏覽器，最終採用PuppeteerSharp+AngleSharp寫一個爬蟲示例。和上面的博文一樣，都是用汽車之家的https://store.

怎樣使用python爬蟲進行網頁圖片抓取

本文通過python 來實現這樣一個簡單的爬蟲功能，把我們想要的圖片爬取到本地。下面就看看如何使用python來實現這樣一個功能。

Python爬蟲實戰：爐石傳說卡牌、原畫資料抓取

本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯絡我們以作處理。

聯通大資料營銷，大資料抓取介紹

近年來，以網際網路、移動網際網路為基礎的資訊化、全球化趨勢，現已深入的改變了我們的日子形式、出產形式、競賽形式。隨著大資料年代的到來，廣告主關於精準營銷的需求也正在上升。怎麼通過技術手段，發掘大資料下

動態網頁資料獲取

AJAX（Asynchronouse JavaScript And XML）非同步JavaScript和XML，與後臺伺服器進行很少量的資料交換，AJAX可以使網頁實現非同步更新。

Docker如何實現多工端app應用資料抓取系統

一、任務 將編寫好的爬蟲程式碼部署到docker環境中，啟動3檯安卓模擬器（夜神模擬器為例），通過python多程序/多執行緒分別抓取抖音、快手和今日頭條3款app中的資料，然後通過mitmproxy抓包工具解析資料，存入mong

快抖小紅書短視訊監控資料抓取軟體介紹

目前抖音日活超過6億，很多大V都是通過短視訊進行獲客，而對於企業來說，也想通過短視訊獲客，但是很多企業不懂怎麼拍短視訊，也不會剪輯，而且不一定有時間去拍短視訊或者直播，也不一定作品能火，怎麼做短視訊引流

爬蟲與Python：（四）爬蟲進階一之資料抓取——2.Python模擬Ajax

如何用用Python模擬Ajax請求，我們仍然以飛常準大資料為例（https://data.variflight.com/analytics/CodeQuery），通過查詢北京機場的三個字母碼“PEK”來請求獲取它的資料，把北京機場的資訊提取出來。

BOSS直聘資料抓取之初級爬蟲(資料分析)

目前國內使用較多的招聘網站是boss直聘網，它有個優點就是可實時聊天溝通，免去了求職者胡亂海投，而且中間可能很多都沒有招聘回覆，對求職者非常友好。但海量的職位資料，我們有時也會蒙圈，不知道到底哪些職位才

Python 之 資料抓取三種方法

Python 之 資料抓取三種方法 正則表示式（re庫） BeautifulSoup（bs4） lxml 利用之前構建的下載網頁函式，獲取目標網頁的html。

Phantomjs+Nodejs+Mysql資料抓取（1.資料抓取）

概要： 這篇博文主要講一下如何使用Phantomjs進行資料抓取，這裡面抓的網站是太平洋電腦網估價的內容。主要是對電腦筆記本以及他們的屬性進行抓取，然後在使用nodejs進行下載圖片和插入資料庫操作。

Phantomjs+Nodejs+Mysql資料抓取（2.抓取圖片）

概要 這篇部落格是在上一篇部落格Phantomjs+Nodejs+Mysql資料抓取（1.抓取資料） http://blog.csdn.net/jokerkon/article/details/50868880

【2022.06.06】huginn對動態網頁進行爬取

前言 下載了別人的scenarios，Huginn.io (huginnio.herokuapp.com)，想看看資料是怎麼進行傳輸的，最後怎樣生成RSS

淺談如何使用python抓取網頁中的動態資料實現

我們經常會發現網頁中的許多資料並不是寫死在HTML中的，而是通過js動態載入的。所以也就引出了什麼是動態資料的概念，動態資料在這裡指的是網頁中由Javascript動態生成的頁面內容，是在頁面載入到瀏覽器後動態生成的

python+selenium動態抓取網頁資料

window+python+selenium 1.下載selenium cmd pip3 instatll selenium 2.下載瀏覽器對應驅動版本 檢視瀏覽器版本：chrome://version

python+selenium+PhantomJS抓取網頁動態載入內容

環境搭建 準備工具：pyton3.5,selenium,phantomjs 我的電腦裡面已經裝好了python3.5 安裝Selenium

網路爬蟲中Fiddler抓取PC端網頁資料包與手機端APP資料包

1 引言 　　在編寫網路爬蟲時，第一步(也是極為關鍵一步)就是對網路的請求(request)和回覆(response)進行分析，尋找其中的規律，然後才能通過網路爬蟲進行模擬。瀏覽器大多也自帶有除錯工具可以進行抓包分