【python爬虫笔记】动态渲染页面爬取

目录

元素选择器

Selenium 基本使用

执行JavaScript

获取节点信息

获取文本值

获取id、位置、标签名和大小

切换Frame

延时等待

隐式等待

显式等待

前进和后退

Cookies

选项卡管理

异常处理

动态渲染页面爬取之新浪股票1小时内10大热门股票 

---

用Selenium来驱动浏览器加载网页的话，就可以直接拿到JavaScript渲染的结果了，不用担心使用的是什么加密系统。

Selenium的使用可以看这里

[Python3网络爬虫开发实战] 7-动态渲染页面爬取-1-Selenium的使用

元素选择器

要想对页面进行操作，首先要做的是选中页面元素。

元素选取方法如下表

 常用的 CSS 选择器和其他选择器对比。

 

Selenium 基本使用

• Keys ()类提供了键盘上几乎所有按键的方法，这个类可用来模拟键盘上的按键 
• expected_conditions() 主要用于对页面元素的加载进行判断，包括元素是否存在，可点击等等。
• #WebDriverWait 针对于某个特定的元素设置的等待时间

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') #找到搜索框
    input.send_keys('Python')    
    input.send_keys(Keys.ENTER)   
    

 查看网页元素 搜索框的ID为‘kw’

    wait = WebDriverWait(browser, 10)    
    #页面元素等待处理。显性等待：
    wait.until(EC.presence_of_element_located((By.ID, 'content_left'))) 
    #输出当前的URL、当前的Cookies和网页源代码：
    print(browser.current_url)    
    print(browser.get_cookies())    
    print(browser.page_source)
finally:    
        browser.close()

执行JavaScript

对于某些操作，Selenium API并没有提供。execute_script方法可以调用原生JavaScript的api

比如，下拉进度条，它可以直接模拟运行JavaScript，此时使用execute_script()方法即可实现，代码如下：

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")')

 python学习之滚动页面函数execute_script

获取节点信息

前面说过，通过page_source属性可以获取网页的源代码，接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery等）来提取信息了。

不过，既然Selenium已经提供了选择节点的方法，返回的是WebElement类型，那么它也有相关的方法和属性来直接提取节点信息，如属性、文本等。这样的话，我们就可以不用通过解析源代码来提取信息了，非常方便。

• get_attribute()方法  获取列表里的全部元素的链接文本

from selenium import webdriver
from selenium.webdriver import ActionChains
browser = webdriver.Chrome()
url = 'https://www.zhihu.com'
browser.get(url)
print(browser.page_source)

logo = browser.find_element(By.CLASS_NAME,'SignFlowHomepage-logo') 
print(logo)
print(logo.get_attribute('class'))

运行之后，程序便会驱动浏览器打开知乎页面，然后获取知乎的logo节点，最后打印出它的class。

控制台的输出结果如下：

SignFlowHomepage-logo

获取文本值

每个WebElement节点都有text属性，直接调用这个属性就可以得到节点内部的文本信息，这相当于Beautiful Soup的get_text()方法、pyquery的text()方法，示例如下：

from selenium import webdriver
browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element(By.CLASS_NAME,'css-1iw0hlv') 
print(input.text)
#近期热点

获取id、位置、标签名和大小

另外，WebElement节点还有一些其他属性，比如id属性可以获取节点id，location属性可以获取该节点在页面中的相对位置，tag_name属性可以获取标签名称，size属性可以获取节点的大小，也就是宽高，这些属性有时候还是很有用的。示例如下：

 这里首先获得“近期热点‘’按钮这个节点，然后调用其id、location、tag_name、size属性来获取对应的属性值。

from selenium import webdriver
browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element(By.CLASS_NAME,'css-1iw0hlv')
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。示例如下：

当页面中包含子Frame时，如果想获取子Frame中的节点，需要先调用switch_to.frame()方法切换到对应的Frame，然后再进行操作。

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里面
try:
    logo = browser.find_element(By.CLASS_NAME,'logo')#尝试获取父级Frame里的logo节点
except NoSuchElementException:#找不到的话，就会抛出NoSuchElementException异常
    print('NO LOGO')#异常被捕捉之后，就会输出NO LOGO。
    browser.switch_to.parent_frame()#重新切换回父级Frame
    logo = browser.find_element(By.CLASS_NAME,'logo')#重新获取节点，发现此时可以成功获取了。
    print(logo)
    print(logo.text)

NO LOGO

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，我们在网页源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。

这里等待的方式有两种：一种是隐式等待，一种是显式等待。

隐式等待

当使用隐式等待执行测试的时候，如果Selenium没有在DOM中找到节点，将继续等待，超出设定时间后，则抛出找不到节点的异常。换句话说，当查找节点而节点并没有立即出现的时候，隐式等待将等待一段时间再查找DOM，默认的时间是0。示例如下：

1 2 3 4 5 6 7

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,'css-1iw0hlv') print(input)

这里我们用implicitly_wait()方法实现了隐式等待。

显式等待

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。

这里还有一种更合适的显式等待方法，它指定要查找的节点，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。示例如下：

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 browser = webdriver.Chrome() browser.get('https://www.taobao.com/') wait = WebDriverWait(browser, 10) input = wait.until(EC.presence_of_element_located((By.ID, 'q'))) button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search'))) print(input, button)

这里首先引入WebDriverWait这个对象，指定最长等待时间，然后调用它的until()方法，传入要等待条件expected_conditions。比如，这里传入了presence_of_element_located这个条件，代表节点出现的意思，其参数是节点的定位元组，也就是ID为q的节点搜索框。

这样可以做到的效果就是，在10秒内如果ID为q的节点（即搜索框）成功加载出来，就返回该节点；如果超过10秒还没有加载出来，就抛出异常。

对于按钮，可以更改一下等待条件，比如改为element_to_be_clickable，也就是可点击，所以查找按钮时查找CSS选择器为.btn-search的按钮，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，也就是没有加载出来，就抛出异常。

运行代码，在网速较佳的情况下是可以成功加载出来的。

控制台的输出如下：

1 2

可以看到，控制台成功输出了两个节点，它们都是WebElement类型。

如果网络有问题，10秒内没有成功加载，那就抛出TimeoutException异常

关于等待条件，其实还有很多，比如判断标题内容，判断某个节点内是否出现了某文字等。表7-1列出了所有的等待条件。

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，传入定位元组
visibility_of	可见，传入节点对象
presence_of_all_elements_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，可判断页面是否已经刷新
element_to_be_selected	节点可选择，传节点对象
element_located_to_be_selected	节点可选择，传入定位元组
element_selection_state_to_be	传入节点对象以及状态，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

平常使用浏览器时都有前进和后退功能，Selenium也可以完成这个操作，它使用back()方法后退，使用forward()方法前进。示例如下：

 连续访问3个页面，然后调用back()方法回到第二个页面，接下来再调用forward()方法又可以前进到第三个页面。

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.runoob.com/html/html-images.html')
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。示例如下：

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

我们访问了知乎。加载完成后，浏览器实际上已经生成Cookies了。接着，调用get_cookies()方法获取所有的Cookies。然后，我们添加一个Cookie，这里传入一个字典，有name、domain和value等内容。接下来，再次获取所有的Cookies。可以发现，结果就多了这一项新加的Cookie。最后，调用delete_all_cookies()方法删除所有的Cookies。再重新获取，发现结果就为空了。 

选项卡管理

在访问网页的时候，会开启一个个选项卡。在Selenium中，我们也可以对选项卡进行操作。示例如下：

import time
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')#开启一个新的选项卡
print(browser.window_handles)#获取当前开启的所有选项卡，返回的是选项卡的代号列表
browser.switch_to.window(browser.window_handles[1])#切换到第二个选项卡
browser.get('https://www.taobao.com')#在第二个选项卡下打开一个新页面
time.sleep(1)
browser.switch_to.window(browser.window_handles[0])#切换到第1个选项卡
browser.get('https://python.org')

#['CDwindow-737BF5B04D83ACDD158C4C6028E2954F', 'CDwindow-E1BFCF28EA2A51D5D3FCB6D3E6DB0505']

异常处理

在使用Selenium的过程中，难免会遇到一些异常，例如超时、节点未找到等错误，一旦出现此类错误，程序便不会继续运行了。这里我们可以使用try except语句来捕获各种异常。

首先，演示一下节点未找到的异常，示例如下：

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') #查找并不存在的节点
except NoSuchElementException:
    print('No Element')#抛出异常
finally:
    browser.close()

#No Element

这里我们使用try except来捕获各类异常。比如，我们对find_element_by_id()查找节点的方法捕获NoSuchElementException异常，这样一旦出现这样的错误，就进行异常处理，程序也不会中断了。 

try except Exception as e 检查异常

动态渲染页面爬取之新浪股票1小时内10大热门股票 

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

try:
    brower = webdriver.Chrome()             #声明浏览器对象
    brower.get('https://finance.sina.com.cn/stock/')
    stocks = brower.find_elements(By.XPATH,'//li[@class="xh_hotstock_item"]')#丛任意节点提取属性class="xh_hotstock_item"
    for s in stocks:
        print("股票名称是：",s.find_element(By.CLASS_NAME,"list02_name").text)
        print("股票代码是：", s.get_attribute("data-code"))#Selenium get_attribute()方法获取列表元素信息
        print("股票价格是：",s.find_element(By.CLASS_NAME,"list02_diff").text)
        print("股票涨幅是：", s.find_element(By.CLASS_NAME,"list02_chg").text)
        print("股票网页是：", s.find_element(By.CLASS_NAME,"list02_name").get_attribute("href"))     #获取股票的主页地址

except Exception as e:
    print(e)
finally:
    brower.close()

股票名称是： 包钢股份
股票代码是： 600010
股票价格是： 1.96
股票涨幅是： -1.01%
股票网页是： 包钢股份(600010)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 歌尔股份00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
股票代码是： 002241
股票价格是： 18.99
股票涨幅是： 0.58%
股票网页是： 歌尔股份(002241)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 北方稀土
股票代码是： 600111
股票价格是： 26.74
股票涨幅是： -1.87%
股票网页是： 北方稀土(600111)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 三安光电
股票代码是： 600703
股票价格是： 19.95
股票涨幅是： -2.73%
股票网页是： 三安光电(600703)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 通威股份
股票代码是： 60043800000、

股票价格是： 45.00
股票涨幅是： -1.75%
股票网页是： 通威股份(600438)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 隆基绿能
股票代码是： 601012
股票价格是： 46.65
股票涨幅是： -2.75%
股票网页是： 隆基绿能(601012)股票股价,行情,新闻,财报数据_新浪财经_新浪网



股票名称是： 宁德时代
股票代码是： 300750
股票价格是： 384.07
股票涨幅是： -3.06%
股票网页是： 宁德时代(300750)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 赣锋锂业
股票代码是： 002460
股票价格是： 83.52
股票涨幅是： -2.65%
股票网页是： 赣锋锂业(002460)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 东方财富
股票代码是： 300059
股票价格是： 18.57
股票涨幅是： -2.57%
股票网页是： 东方财富(300059)股票股价,行情,新闻,财报数据_新浪财经_新浪网
股票名称是： 京东方Ａ
股票代码是： 000725
股票价格是： 3.68
股票涨幅是： 0.00%
股票网页是： 京东方A(000725)股票股价,行情,新闻,财报数据_新浪财经_新浪网