第7章 JavaScript动态渲染页面爬取

目录

  • 1. Selenium的使用
    • 1.1 准备工作
      • 安装selenium
      • 安装WebDriver
      • WebDriver配置
    • 1.2 基本用法
    • 1.3 初始化浏览器对象
    • 1.4 访问页面
    • 1.5 查找节点
      • 单个节点
      • 多个节点
    • 1.6 节点交互
    • 1.7 动作链
    • 1.8 运行JavaScript
    • 1.9 获取节点信息
      • 获取属性
      • 获取文本值
      • 获取ID、位置、标签名和大小
    • 1.10 切换Frame
    • 1.11 延时等待
      • 隐式等待
      • 显式等待
    • 1.12 前进和后退
    • 1.13 Cookie
    • 1.14 选项卡管理
    • 1.15 异常处理
    • 1.16 反屏蔽
    • 1.17 无头模式
  • 2. Splash的使用

1. Selenium的使用

  • 很大情况下Ajax请求会使用加密参数

    • token
    • sign
  • 示例:Scrape | Movie

    • Ajax接口包含token数据
  • 模拟Ajax请求的两种方式

    • 深挖逻辑
      • 把token参数的构造逻辑完全找出
      • 再用python代码复现
      • 构造Ajax请求
    • 直接模拟浏览器的运行(使用Selenium)
      • 绕过上方过程
      • 将呈现的数据直接爬取下来
  • Selenium

    • 自动化测试工具
    • 可以驱动浏览器完成特定的操作
      • 点击
      • 下拉
      • ···
    • 获取浏览器当前呈现的页面源代码

1.1 准备工作

安装selenium

pip install selenium

安装WebDriver

  • Edge为例
  • 下载地址:Microsoft Edge WebDriver - Microsoft Edge Developer

WebDriver配置

  • 将WebDriver的.exe文件放入Python的根目录下

1.2 基本用法

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.Edge()

try:
    browser.get('https://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)
    print(browser.get_cookies())
    print(browser.page_source)
finally:
    browser.close()

1.3 初始化浏览器对象

  • 电脑端浏览器
    • Chrome
    • Firefox
    • Edge
    • Safari
  • 手机端浏览器
    • Android
    • BlackBerry
from selenium import webdriver

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

1.4 访问页面

  • page_source:获取网页源码
from selenium import webdriver

browser = webdriver.Edge()
browser.get("https://www.taobao.com")

print(browser.page_source)
browser.close()

1.5 查找节点

单个节点

  • 获取淘宝网 - 淘!我喜欢 (taobao.com)的搜索框
  • 观察源码分析获取
from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Edge()
browser.get("https://www.taobao.com")

input_first = browser.find_element(By.ID, "q")
input_second = browser.find_element(By.CSS_SELECTOR, "#q")
input_third = browser.find_element(By.XPATH, "//*[@id=\"q\"]")

print(input_first, input_second, input_third)

browser.close()

多个节点

  • 获取淘宝网 - 淘!我喜欢 (taobao.com)左侧导航条的所有条目
from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Edge()
browser.get("https://www.taobao.com")

lis = browser.find_elements(By.CSS_SELECTOR, ".service-bd li")

print(lis)

browser.close()

1.6 节点交互

  • send_keys:输入文字
  • clear:清空文字
  • click:点击按钮
from selenium import webdriver
from selenium.webdriver.common.by import By
import time

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

1.7 动作链

  • 拖拽节点
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver import ActionChains

browser = webdriver.Edge()
browser.get("https://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)
actions.drag_and_drop(source, target)
actions.perform()

1.8 运行JavaScript

from selenium import webdriver

browser = webdriver.Edge()
browser.get("https://www.zhihu.com/explore")
browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")
browser.execute_script("alert(\"To Bottom\")")

1.9 获取节点信息

获取属性

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

browser = webdriver.Edge()
browser.get("https://spa2.scrape.center/")

logo = browser.find_element(By.CLASS_NAME, "logo-image")

print(logo)
print(logo.get_attribute("src"))

获取文本值

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

browser = webdriver.Edge()
browser.get("https://spa2.scrape.center/")

input = browser.find_element(By.CLASS_NAME, "logo-title")

print(input.text)

获取ID、位置、标签名和大小

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

browser = webdriver.Edge()
browser.get("https://spa2.scrape.center/")

input = browser.find_element(By.CLASS_NAME, "logo-title")

print(input.id)
print(input.location)
print(input.tag_name)
print(input.size)

1.10 切换Frame

  • selenium打开网页后默认在父Frame中操作
  • 如果此时页面中有子Frame(iframe)需要使用switch_to.frame方法切换Frame
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.common.exceptions import NoSuchElementException

browser = webdriver.Edge()
browser.get("https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable")

browser.switch_to.frame("iframeResult")
try:
    logo = browser.find_element(By.CLASS_NAME, "logo")
except NoSuchElementException:
    print("NO LOGO")

browser.switch_to.parent_frame()
logo = browser.find_element(By.CLASS_NAME, "logo")

print(logo)

1.11 延时等待

  • selenium的get方法在网页框架加载结束后才会结束执行
  • 如果在get方法执行完毕时获取网页源代码,其结果可能不是浏览器完全加载完成的页面
    • 额外的Ajax请求
    • JavaScript渲染
  • 设置浏览器延时等待一定的时间,确保节点已经加载出来

隐式等待

  • 如果selenium没有在DOM中找到节点,将继续等待,在超出设定时间后,抛出找不到节点的异常
  • 在查找节点而节点没有立即出现时,隐式等待会先等待一段时间再查找DOM
from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Edge()
browser.implicitly_wait(10)
browser.get("https://spa2.scrape.center/")

input = browser.find_element(By.CLASS_NAME, "logo-image")
print(input)

显式等待

  • 指定要查找的节点和最长等待时间
  • 如果在规定时间内加载出了要查找的节点,就返回这个节点
  • 如果找到了规定时间依然没有加载出来,就抛出超时异常
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.Edge()
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)
  • 等待条件
    • 详情见
      • 官方说明文档
      • EC包文件
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 节点出现,参数为节点的定位元组
如(By.ID, “p”)
visibility_of_element_located 节点可见,参数为节点的定位元组
visibility_of 可见,参数为节点对象
presence_of_all_elements_located 所有节点都出现
text_to_be_present_in_element 某个节点的文本值中包含某文字
text_to_be_present_in_element_value 某个节点值中包含某文字
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 按钮可点击
staleness_of 判断一个节点是否仍在DOM中
可知页面是否已经刷新
element_to_be_selected 节点可选择,参数为节点对象
element_located_to_be_selected 节点可选择,参数为节点的定位元组
element_selection_state_to_be 参数为节点对象及状态
相等返回True,否则返回False
element_located_selection_state_to_be 参数为定位元组及状态
相等返回True,否则返回False
alert_is_present 是否出现警告提示框

1.12 前进和后退

  • forward():前进
  • back():后退
from selenium import webdriver
import time

browser = webdriver.Edge()
browser.get("https://www.baidu.com/")
browser.get("https://www.taobao.com/")
browser.get("https://www.python.org/")
browser.back()
time.sleep(10)
browser.forward()
browser.close()

1.13 Cookie

from selenium import webdriver
import time

browser = webdriver.Edge()
browser.get("https://www.zhihu.com/explore")

print(browser.get_cookies())

browser.add_cookie({"name": "name", "domain": "www.zhihu.com", "value": "ABC"})
print(browser.get_cookies())

# 如果不sleep可能因为有部分cookie还未加载,导致清空cookies是有cookie残留
time.sleep(5)

browser.delete_all_cookies()
print(browser.get_cookies())

1.14 选项卡管理

from selenium import webdriver
import time

browser = webdriver.Edge()
browser.get("https://www.baidu.com")

# 开启一个新的选项卡
browser.execute_script("window.open()")

print(browser.window_handles)

browser.switch_to.window(browser.window_handles[1])
browser.get("https://www.taobao.com")

time.sleep(1)

browser.switch_to.window(browser.window_handles[0])
browser.get("https://python.org")

1.15 异常处理

  • 节点未找到的异常
from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Edge()
browser.get("https://www.baidu.com")
browser.find_element(By.ID, "hello")
  • 处理异常
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.common.exceptions import TimeoutException ,NoSuchElementException

browser = webdriver.Edge()

try:
    browser.get("https://www.baidu.com")
except TimeoutException:
    print("Time Out")

try:
    browser.find_element(By.ID, "hello")
except NoSuchElementException:
    print("No Element")
finally:
    browser.close()

1.16 反屏蔽

  • 很多网站会对selenium进行检测,防止一些爬虫的恶意爬取
  • 检测原理
    • 检测当前浏览器窗口下的window.navigator对象中是否包含webdriver属性
      • 在正常使用浏览器时,这个属性应该是undefined
      • 一旦使用了selenium,它就会给window.navigator对象设置webdriver属性
    • 很多网站通过JavaScript语句判断是否存在webdriver属性
      • 如果存在就直接屏蔽
  • 示例网站:Scrape | Movie
  • 访问示例网站
from selenium import webdriver

browser = webdriver.Edge()
browser.get("https://antispider1.scrape.center/")
  • 直接使用JavaScipt语句把webdriver属性置空
from selenium import webdriver

browser = webdriver.Edge()
browser.get("https://antispider1.scrape.center/")
browser.execute_script("Object.defineProperty(navigator, \"webdriver\", {get: () => undefined})")
  • 确实将webdriver属性置空
    • 但是execute_script方法是在页面加载之后才调用JavaScript语句的,此时网页早在页面渲染之前就已经检测webdriver属性了
  • 使用CDP(Chrome Devtools Protocol,Chrome开发工具协议)解决
    • 可以实现在每个页面加载的时候执行JavaScript语句,将webdriver属性置空
  • 执行CDP的方法为Page.addScriptToEvaluateOnNewDocument
  • Edge Devtools Protocol是基于CDP的所以CDP使用方式在Edge Devtools Protocol上同样适用
from selenium import webdriver
from selenium.webdriver import EdgeOptions

option = EdgeOptions()

# 隐藏提示条
option.add_experimental_option("excludeSwitches", ["enable-automation"])

# 隐藏自动化扩展信息
option.add_experimental_option("useAutomationExtension", False)

browser = webdriver.Edge(options=option)
browser.execute_cdp_cmd(
    "Page.addScriptToEvaluateOnNewDocument", {
        "source": "Object.defineProperty(navigator, \"webdriver\", {get: () => undefined})"})
browser.get("https://antispider1.scrape.center/")

1.17 无头模式

  • 使网站运行时不会弹出窗口
  • 减少一些资源的加载
  • 使用EdgeOptions对象开启Edge浏览器的无头模式
from selenium import webdriver
from selenium.webdriver import EdgeOptions

option = EdgeOptions()
option.add_argument("--headless")

browser = webdriver.Edge(options=option)
browser.set_window_size(1500, 800)
browser.get("https://www.baidu.com")
browser.get_screenshot_as_file("preview.png")

2. Splash的使用

你可能感兴趣的:(#,Python3网络爬虫开发实践,python,爬虫)