在python使用selenium获取动态网页信息并用BeautifulSoup进行解析--动态网页爬虫

在python使用selenium获取动态网页信息并用BeautifulSoup进行解析--动态网页爬虫

转自：https://www.cnblogs.com/bugingcode/p/8297665.html

爬虫抓取数据时有些数据是动态数据，例如是用js动态加载的，使用普通的urllib2 抓取数据是找不到相关数据的，这是爬虫初学者在使用的过程中，最容易发生的情况，明明在浏览器里有相应的信息，但是在python抓取的网页中缺少了对应的信息，这通常是网页使用的是js异步加载数据，在动态显示出来。一种处理方式是找出相应的js接口，但是有时这是非常难得，因为还的分析js的调用参数，而有些参数是有加密的，还的进行解密操作；另一种出来方式是python调用浏览器，控制浏览器返回相应的信息，这也是本文要介绍的selenium 。

安装selenium

在python下安装selenium，命令：

pip install -U selenium

测试是否成功：

#!/usr/bin/python
#coding=utf-8

"""
start python 项目
"""

from selenium import webdriver


browser = webdriver.Firefox() # Get local session of firefox
browser.get("http://www.baidu.com") # Load page
print browser.page_source

虽然selenium 安装成功了，但是还是会报错：

selenium.common.exceptions.WebDriverException: Message: 'geckodriver' executable needs to be in PATH.

这是因为：

使用pip安装selenium，默认安装的是最新版本的selenium，使用pip list查了一下我的selenium版本，是3.4.2的，firefox版本，是43.0.1的，selenium 3.x开始，webdriver/firefox/webdriver.py的__init__中，executable_path="geckodriver"；而2.x是executable_path="wires"

把firefox升级到最新版本

下载地址：https://github.com/mozilla/geckodriver/releases，根据自己的电脑，下载的win64位的；

在firefox的安装目录下，解压geckodriver，然后将该路径添加到path环境变量下。

selenium 的文档在 http://selenium-python.readthedocs.io/api.html 下可进行相应的研究。

使用BeautifulSoup进行html的解析

如果对BeautifulSoup 还不了解的话，可以参看这篇文章 http://www.bugingcode.com/python_start/ex12.html

找到了得到了html后使用 BeautifulSoup可以进行解析。

from bs4 import BeautifulSoup
bs = BeautifulSoup(browser.page_source, "lxml")