动态网页数据抓取
使用AJAX加载的数据，即使使用了JS，将数据渲染到了浏览器中，在右键->查看网页源代码还是不能看到通过ajax加载的数据，只能看到使用这个url加载的html代码。
获取ajax数据的方式：
- 直接分析ajax调用的接口。然后通过代码请求这个接口。
- 使用Selenium+chromedriver模拟浏览器行为获取数据。
| 方式 | 优点 | 缺点 |
|---|---|---|
| 分析接口 | 直接可以请求到数据。不需要做一些解析工作。代码量少，性能高。 | 分析接口比较复杂，特别是一些通过js混淆的接口，要有一定的js功底。容易被发现是爬虫。 |
| selenium | 直接模拟浏览器的行为。浏览器能请求到的，使用selenium也能请求到。爬虫更稳定。 | 代码量多。性能低。 |
Selenium+chromedriver获取动态数据：
Selenium相当于是一个机器人。可以模拟人类在浏览器上的一些行为，自动处理浏览器上的一些行为，比如点击，填充数据，删除cookie等。chromedriver是一个驱动Chrome浏览器的驱动程序，使用他才可以驱动浏览器。当然针对不同的浏览器有不同的driver。以下列出了不同浏览器及其对应的driver：
- Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads
- Firefox：https://github.com/mozilla/geckodriver/releases
- Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
- Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/
安装Selenium和chromedriver：
-
安装Selenium：
pip install selenium 安装chromedriver：
下载完成后，放到不需要权限的纯英文目录下就可以了。
Traceback (most recent call last):
File "selenium.py", line 1, in
from selenium import webdriver
File "/Users/nieyunfei/devspace/python/cyzone/test/selenium.py", line 1, in
from selenium import webdriver
ImportError: cannot import name 'webdriver' from partially initialized module 'selenium' (most likely due to a circular import) (/Users/nieyunfei/devspace/python/cyzone/test/selenium.py)
原因如下，我新建的名称叫selenium.py，导致Python会先导入这个文件，然后再导入标准库里面的selenium.py。把当前目录下的文件删除或者重命名之后再run正常。
# 放到/usr /local/bin目录
open /usr/local/bin/
# 赋权限
sudo chmod u+x,o+x /usr/local/bin/chromedriver
# 查看安装的版本号跟浏览器是否对应
chromedriver --version
快速入门：
现在以一个简单的获取百度首页的例子来讲下Selenium和chromedriver如何快速入门：
# 导入selenium2中的webdriver库
from selenium import webdriver
# 初始化一个driver，实例化出一个chrome浏览器
driver = webdriver.Chrome()
# 请求网页
base_url = 'https://www.baidu.com'
# 通过page_source获取网页源代码
driver.get(base_url)
selenium常用操作：
更多教程请参考：http://selenium-python.readthedocs.io/installation.html#introduction
关闭页面：
-
driver.close()：关闭当前页面。 -
driver.quit()：退出整个浏览器。
定位元素：
-
find_element_by_id：根据id来查找某个元素。等价于：submitTag = driver.find_element_by_id('su') submitTag1 = driver.find_element(By.ID,'su') -
find_element_by_class_name：根据类名查找元素。 等价于：submitTag = driver.find_element_by_class_name('su') submitTag1 = driver.find_element(By.CLASS_NAME,'su') -
find_element_by_name：根据name属性的值来查找元素。等价于：submitTag = driver.find_element_by_name('email') submitTag1 = driver.find_element(By.NAME,'email') -
find_element_by_tag_name：根据标签名来查找元素。等价于：submitTag = driver.find_element_by_tag_name('div') submitTag1 = driver.find_element(By.TAG_NAME,'div') -
find_element_by_xpath：根据xpath语法来获取元素。等价于：submitTag = driver.find_element_by_xpath('//div') submitTag1 = driver.find_element(By.XPATH,'//div') -
find_element_by_css_selector：根据css选择器选择元素。等价于：submitTag = driver.find_element_by_css_selector('//div') submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')要注意，
find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。
操作表单元素：
-
操作输入框：分为两步。第一步：找到这个元素。第二步：使用
send_keys(value)，将数据填充进去。示例代码如下：inputTag = driver.find_element_by_id('kw') inputTag.send_keys('python')使用
clear方法可以清除输入框中的内容。示例代码如下：inputTag.clear() -
操作checkbox：因为要选中
checkbox标签，在网页中是通过鼠标点击的。因此想要选中checkbox标签，那么先选中这个标签，然后执行click事件。示例代码如下：rememberTag = driver.find_element_by_name("rememberMe") rememberTag.click() -
选择select：select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类
selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中，创建这个对象。以后就可以使用这个对象进行选择了。示例代码如下：from selenium.webdriver.support.ui import Select # 选中这个标签，然后使用Select创建对象 selectTag = Select(driver.find_element_by_name("jumpMenu")) # 根据索引选择 selectTag.select_by_index(1) # 根据值选择 selectTag.select_by_value("http://www.95yueba.com") # 根据可视的文本选择 selectTag.select_by_visible_text("95秀客户端") # 取消选中所有选项 selectTag.deselect_all() -
操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用
click函数就可以了。示例代码如下：inputTag = driver.find_element_by_id('su') inputTag.click()
行为链：
有时候在页面中的操作可能要有很多步，那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件。那么示例代码如下：
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()
还有更多的鼠标相关的操作。
- click_and_hold(element)：点击但不松开鼠标。
- context_click(element)：右键点击。
- double_click(element)：双击。 更多方法请参考：http://selenium-python.readthedocs.io/api.html
Cookie操作：
-
获取所有的
cookie：for cookie in driver.get_cookies(): print(cookie) -
根据cookie的key获取value：
value = driver.get_cookie(key) -
删除所有的cookie：
driver.delete_all_cookies() -
删除某个
cookie：driver.delete_cookie(key)
页面等待：
现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。为了解决这个问题。所以 Selenium 提供了两种等待方式：一种是隐式等待、一种是显式等待。
-
隐式等待：调用
driver.implicitly_wait。那么在获取不可用的元素之前，会先等待10秒中的时间。示例代码如下：driver = webdriver.Chrome(executable_path=driver_path) driver.implicitly_wait(10) # 请求网页 driver.get("https://www.douban.com/") -
显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。显示等待应该使用
selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。示例代码如下：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() -
一些其他的等待条件：
presence_of_element_located：某个元素已经加载完毕了。
presence_of_all_emement_located：网页中所有满足条件的元素都加载完毕了。
-
element_to_be_cliable：某个元素是可以点击了。
更多条件请参考：http://selenium-python.readthedocs.io/waits.html
切换页面：
有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。selenium提供了一个叫做switch_to_window来进行切换，具体切换到哪个页面，可以从driver.window_handles中找到。示例代码如下：
# 打开一个新的页面
self.driver.execute_script("window.open('"+url+"')")
# 切换到这个新的页面中
self.driver.switch_to_window(self.driver.window_handles[1])
设置代理ip：
有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip，不同的浏览器有不同的实现方式。这里以Chrome浏览器为例来讲解：
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类是每个获取出来的元素的所属类。
有一些常用的属性：
- get_attribute：这个标签的某个属性的值。
- screentshot：获取当前页面的截图。这个方法只能在
driver上使用。
driver的对象类，也是继承自WebElement。
更多请阅读相关源代码。