Python爬虫(三) —— 爬取动态渲染页面

  虽然有些通过ajax动态渲染出来的页面通过对请求链接的分析我们仍然可以使用urllib或requests库来进行数据爬取，但javascript动态渲染页面的方式不止ajax一种，如echart官网的许多图表都是经过javascript执行特定算法生成的，且对于淘宝这种页面，其ajax请求中含有很多加密参数，我们也很难直接分析出它的规律。

  为了解决这些问题，我们可以直接使用模拟浏览器运行的方式来实现，这样就可以做到在浏览器中看到是什么样，抓取的源码就是什么样，也就是可见即可爬。这样我们就不用再去管网页内部的JavaScript用了什么算法渲染页面，不用管网页后台的Ajax接口到底有哪些参数。

使用Selenium库

  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，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，做到可见即可爬。对于一些JavaScript 动态渲染的页面来说，此种抓取方式非常有效。

例子引入

  在使用Selenium之前，要根据电脑上已安装的chrome游览器的版本选择合适的版本下载chromedriver(下载地址：http://chromedriver.storage.googleapis.com/index.html)，windows下将下载到的chromedriver.exe文件放进python安装目录的scripts子目录即可。

下面来看一段使用selenium通过googledriver唤醒chrome自动进行测试的例子：

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)
    # 输出当前的cookie
    print(browser.get_cookies())
    # 输出网页源代码
    print(browser.page_source)
finally:
    browser.close()

  上述代码在游览器中造成的效果是先打开https://www.baidu.com百度页面，向里面输入Python，按回车确认搜索，游览器的搜索结果就出来了。游览器渲染出页面后selenium会马上抓取游览器此时相关的实时数据，如网页源码，cookie等。

声明游览器对象

  selenium支持很多游览器，如Chrome，Firefox,Opera和Edge等，还支持Andriod，BlackBerry等手机端的游览器，另外还支持无界面游览器PhantomJS。

from selenium import webdriver

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

得到了游览器对象之后，我们就可以使相应的游览器执行一定的自动化操作。

访问页面

使用get()方法来请求网页。

from selenium import webdriver

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

查找节点

  Selenium可以驱动浏览器完成各种操作，比如填充表单、模拟点击等。比如，我们想要完成向某个输入框输入文字的操作，总需要知道这个输入框在哪里吧？而Selenium提供了一系列查找节点的方法，我们可以用这些方法来获取想要的节点，以便下一步执行一些动作或者提取信息。

单个节点

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
# 根据id查找节点
input_first = browser.find_element_by_id('q')
# 根据css选择器查找节点
input_second = browser.find_element_by_css_selector('#q')
# 根据xpath字符串查找节点
input_third = browser.find_element_by_xpath('//*[@id="q"]')
# 得到的节点都是WebElement类型
print(input_first, input_second, input_third)
browser.close()

# /*******----- 输出: ------********\
#   

  除了上述通过id,css选择器，xpath表达式查找节点外，selenuim还提供了其他各种根据类名，标签名查找节点的方法：

• 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，selenium还提供了一个通用的查找节点的方法find_element()，它需要两个参数，查找方式By和查找信息：

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

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
# find_element(By.ID, 'q')其实等价于find_element_by_id('q')
input_first = browser.find_element(By.ID, 'q')
print(input_first)
browser.close()

多个节点

  如果符合条件的节点有多个，则再使用find_element()系列的方法就只能得到匹配列表中第一个符合条件的节点了，要想拿到所有匹配成功的节点，则需要使用find_elements()系列的方法。

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
lis = browser.find_elements_by_css_selector('.service-bd li')
# 可见，find_elements()系列方法得到的是一个列表，其中每个节点都是WebElement类型
print(lis)
browser.close()

# /*******----- 输出: ------********\
# [, , , , , , , , , , , , , , , ]

  可见，find_elements()系列方法除了加了个-s外，其他方面与find_element()的使用没有什么不同。

节点交互

  Selenium 可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法。

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('https://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()

动作链

  在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字的方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们是没有特定的执行对象的，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。

通过动作链模拟鼠标拖拽动作：

from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css_selector('#draggable')
target = browser.find_element_by_css_selector('#droppable')
actions = ActionChains(browser)
# 定义鼠标操作的起始节点和目标节点
actions.drag_and_drop(source, target)
# 执行动作链
actions.perform()

模拟执行javascript

对于有些操作，selenium并没有提供相应的实现方式，如下拉进度条。

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('http://www.zhihu.com/explore')
# 模拟执行javascript将进度条拉到最底层
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
# javascript弹窗
browser.execute_script('alert("To Bottom")')

获取节点信息

  事实上，使用selenium的page_source拿到网页的源代码后我们就可以使用解析库进行分析了，但selenium中也提供了关于节点的操作。

获取属性

使用get_attribute()获取节点属性。

from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = 'http://www.zhihu.com/explore'
browser.get(url)
logo = browser.find_element_by_id('zh-top-link-logo')
print(logo)
# 使用get_attribute(attriName)得到属性的属性值
print(logo.get_attribute('class'))

# /*******----- 输出: ------********\
# 
# zu-top-link-logo

获取文本值

直接使用text属性可获得节点的内部文本信息。

from selenium import webdriver

browser = webdriver.Chrome()
url = 'http://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('z-top-add-question')
# 使用text属性获取节点内部纯文本
print(input.text)

获取id，位置，标签名和大小

id，location，tag_name和size属性分别用于获取id，位置，标签名和大小这几个属性的值。

from selenium import webdriver

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

切换Frame

  我们知道，网页中有一种节点叫作iframe，也就是子Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。Selenium打开页面后，它默认是在父级Frame里面操作，而此时如果页面中还有子Frame，它是不能获取到子Frame里面的节点的。这时就需要使用switch_to.frame()方法来切换Frame。

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)
# 使用switch_to.frame()切换到子Frame
browser.switch_to.frame('iframeResult')
try:
    logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    # 很显然，在子Frame里获取在父级Frame里的logo肯定是行不通的
    print('No LOGO')
# 切换回父级Frame
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

# /*******----- 输出: ------********\
# No LOGO
# 
# RUNOOB.COM

延时等待

  在Selenium中，get()方法会在网页框架加载结束后结束执行，此时如果获取page_source ，可能并不是浏览器完全加载完成的页面，如果某些页面有额外的Ajax请求，我们在网页惊代码中也不一定能成功获取到。所以，这里需要延时等待一定时间，确保节点已经加载出来。

等待的方式有两种，一是隐式等待，另一个是显示等待。

隐式等待

from selenium import webdriver

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

  隐式等待的效果其实并没有那么好，因为我们只规定了一个固定时间，而页面的加载时间会受到网络条件的影响。

显示等待

  显示等待则指定要查找的节点，然后指定一个最长等待时间。如果
在规定时间内加载出来了这个节点，就返回查找的节点；如果到了规定时间依然没有加载出该节点，则抛出超时异常。

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

browser = webdriver.Chrome()
url = 'https://www.taobao.com/'
browser.get(url)
# 使用WebDriverWait对象指定最长等待时间
wait = WebDriverWait(browser, 10)
# 使用until()传入结束等待的条件
# presence_of_element_located()表示指定的节点出现了
input = wait.until(EC.presence_of_element_located((By.ID, 'q')))
# element_to_be_clickable()表示指定的节点(按钮)是可点击的状态
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))
# 如果 10 秒内它是可点击的，也就是成功加载出来了，就返回这个按钮节点；如果超过 10 秒还不可点击，也就是还没有加载出来，就抛出异常
print(input, button)


# /*******----- 输出: ------********\
#  

而等待条件，除了上述代码中演示过的，其实还有很多：

等待条件	含义
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，如(By. ID, ‘p’)
visibility_of_element_located	节点可见，传人定位元组
visibility_of	可见，传人节点对象
presence_of^all_elements_located	所有节点都加载出来
text_towbe_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,可用于判断一个页面是否已经刷新
element_to_be_selected	节点可选择，传入节点对象
element_located_to_be_selected	节点可选择，传人定位元组
element_selection_state_to_be	传人节点对象以及状态，相等返回True,否则返回False
element_located_selection_state_to_be	传入定位元组以及状态，相等返回True,否则返回False
alert_is_present	是否出现警告

前进和后退

  一般浏览器都有前进和后退功能(即返回到上级网页和回到之后的网页)， Selenium也可以完成这个操作，它使用back()方法后退，使用于forward()方法前进。

from selenium import webdriver
import time
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()

Cookies

使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。

from selenium import webdriver

browser = webdriver.Chrome()
# 页面加载完成后，游览器的cookie就已经生成了
browser.get('https://www.zhihu.com/explore')
# 使用get_cookie()输出所有cookie
print(browser.get_cookies())
# 使用add_cookie()向游览器增加cookie记录
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
print(browser.get_cookies())
# 删除所有cookie
browser.delete_all_cookies()
print(browser.get_cookies())
browser.close()

# /*******----- 输出: ------********\
# [{'value': '1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'l_n_c', 'secure': False}, {'value': '80f350dcd7c650b07bd7b485fcab5bf7', 'path': '/', 'domain': 'www.zhihu.com', 'httpOnly': False, 'name': 'tgw_l7_route', 'expiry': 1547908601.342857, 'secure': False}, {'value': '51854390.0.10.1547907704', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmb', 'expiry': 1547909504, 'secure': False}, {'value': '4eb359484d4a4a7c976db940667702a7|1547907703000|1547907703000', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'q_c1', 'expiry': 1642515702.342909, 'secure': False}, {'value': '3d56b90bcd968521f27ea4779c962193', 'path': '/', 'domain': 'www.zhihu.com', 'httpOnly': False, 'name': '_xsrf', 'secure': False}, {'value': '"NmFmZTc4MjA3OGViNDUyNGEzODQ2MTMyMDQyNTgwNDY=|1547907703|8766f13e22119faced8db1aa6daff9bcdfab1e32"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'r_cap_id', 'expiry': 1550499702.342951, 'secure': False}, {'value': '"ZTcyZGMyZTI4NGI2NDY1NzkyYjM2MzRmMDkzZjEyYjI=|1547907702|2bf8c3ca9cd16dc3d843cd3d1f00fdaf7f068467"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'cap_id', 'expiry': 1550499701.342968, 'secure': False}, {'value': '"YTllZjJkMTZmZDQxNGE4ZmIwMWIwZTI3M2IzNTNjMTg=|1547907703|c46368fc45e35567ef681be1ca4c3004938c9066"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'l_cap_id', 'expiry': 1550499702.342985, 'secure': False}, {'value': '1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'n_c', 'secure': False}, {'value': '"ACBiqfWy2Q6PTmkQdt7ZJ9dWbDRjWANhr70=|1547907705"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'd_c0', 'expiry': 1642515704.387046, 'secure': False}, {'value': '51854390.825222534.1547907704.1547907704.1547907704.1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utma', 'expiry': 1610979704, 'secure': False}, {'value': '51854390', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmc', 'secure': False}, {'value': '51854390.1547907704.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none)', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmz', 'expiry': 1563675704, 'secure': False}, {'value': '51854390.000--|3=entry_date=20190119=1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmv', 'expiry': 1610979704, 'secure': False}, {'value': '9d0a8461-702d-4f3a-8c94-e0950d80e675', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '_zap', 'expiry': 1610979704, 'secure': False}]
# [{'value': '1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'l_n_c', 'secure': False}, {'value': '80f350dcd7c650b07bd7b485fcab5bf7', 'path': '/', 'domain': 'www.zhihu.com', 'httpOnly': False, 'name': 'tgw_l7_route', 'expiry': 1547908601.342857, 'secure': False}, {'value': '51854390.0.10.1547907704', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmb', 'expiry': 1547909504, 'secure': False}, {'value': '4eb359484d4a4a7c976db940667702a7|1547907703000|1547907703000', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'q_c1', 'expiry': 1642515702.342909, 'secure': False}, {'value': '3d56b90bcd968521f27ea4779c962193', 'path': '/', 'domain': 'www.zhihu.com', 'httpOnly': False, 'name': '_xsrf', 'secure': False}, {'value': '"NmFmZTc4MjA3OGViNDUyNGEzODQ2MTMyMDQyNTgwNDY=|1547907703|8766f13e22119faced8db1aa6daff9bcdfab1e32"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'r_cap_id', 'expiry': 1550499702.342951, 'secure': False}, {'value': '"ZTcyZGMyZTI4NGI2NDY1NzkyYjM2MzRmMDkzZjEyYjI=|1547907702|2bf8c3ca9cd16dc3d843cd3d1f00fdaf7f068467"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'cap_id', 'expiry': 1550499701.342968, 'secure': False}, {'value': '"YTllZjJkMTZmZDQxNGE4ZmIwMWIwZTI3M2IzNTNjMTg=|1547907703|c46368fc45e35567ef681be1ca4c3004938c9066"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'l_cap_id', 'expiry': 1550499702.342985, 'secure': False}, {'value': '1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'n_c', 'secure': False}, {'value': '"ACBiqfWy2Q6PTmkQdt7ZJ9dWbDRjWANhr70=|1547907705"', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'd_c0', 'expiry': 1642515704.387046, 'secure': False}, {'value': '51854390.825222534.1547907704.1547907704.1547907704.1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utma', 'expiry': 1610979704, 'secure': False}, {'value': '51854390', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmc', 'secure': False}, {'value': '51854390.1547907704.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none)', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmz', 'expiry': 1563675704, 'secure': False}, {'value': '51854390.000--|3=entry_date=20190119=1', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmv', 'expiry': 1610979704, 'secure': False}, {'value': '9d0a8461-702d-4f3a-8c94-e0950d80e675', 'path': '/', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '_zap', 'expiry': 1610979704, 'secure': False}, {'value': 'germey', 'path': '/', 'domain': 'www.zhihu.com', 'httpOnly': False, 'name': 'name', 'expiry': 2178627704, 'secure': True}]
# []

选项卡管理

在使用游览器打开网页时会伴随选项卡的开启，使用Selenium可以对选项卡进行操作。

from selenium import webdriver
import time

browser = webdriver.Chrome()
# 在第一个选项(此时也只有一个选项卡)卡中打开https://www.baidu.com
browser.get('https://www.baidu.com')
# 执行window.open()开启一个新选项卡
browser.execute_script('window.open()')
print(browser.window_handles)
# 切换到第二个选项卡
browser.switch_to_window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(1)
# 在回到第一个选项卡中打开https://python.org
browser.switch_to_window(browser.window_handles[0])
browser.get('https://python.org')