文章目錄

• 網(wǎng)絡(luò)爬蟲學(xué)習(xí)筆記（2）
• • 1 資料
  • 2 筆記
  • • 2-1 動(dòng)態(tài)抓取概述
    • 2-2 通過瀏覽器審查元素解析真實(shí)網(wǎng)頁地址
    • 2-3 網(wǎng)頁URL地址的規(guī)律
    • 2-4 json庫
    • 2-5 通過Selenium模擬瀏覽器抓取

網(wǎng)絡(luò)爬蟲學(xué)習(xí)筆記（2）

1 資料

• 《Python網(wǎng)絡(luò)爬蟲從入門到實(shí)踐》唐松，陳志銓。主要面向windows平臺(tái)下的python3。

2 筆記

2-1 動(dòng)態(tài)抓取概述

在使用JavaScript時(shí)，很多內(nèi)容并不會(huì)出現(xiàn)在HTML源代碼中，所以爬取靜態(tài)網(wǎng)頁的技術(shù)可能無法正常使用。因此，我們需要用到動(dòng)態(tài)網(wǎng)頁抓取的兩種技術(shù)：通過瀏覽器審查元素解析真實(shí)網(wǎng)頁地址和使用selenium模擬瀏覽器的方法。

• 異步更新技術(shù)AJAX（Asynchronous Javascript And XML，異步JavaScript和XML），通過在后臺(tái)與服務(wù)器進(jìn)行少量數(shù)據(jù)交換就可以使網(wǎng)頁實(shí)現(xiàn)異步更新。這意味著可以在不重新加載整個(gè)網(wǎng)頁的情況下對(duì)網(wǎng)頁的某部分進(jìn)行更新。例如百度搜索界面的皮膚：
  
• 爬取里面使用AJAX動(dòng)態(tài)加載的內(nèi)容的兩種方法：
  （1）通過瀏覽器審查元素解析地址。
  （2）通過Selenium模擬瀏覽器抓取。
• json數(shù)據(jù)直接打印顯得又多又亂，可以使用json庫提取想要的信息

2-2 通過瀏覽器審查元素解析真實(shí)網(wǎng)頁地址

chrom瀏覽器右鍵菜單“檢查”

單擊“Network”選項(xiàng)，然后刷新網(wǎng)頁。此時(shí)，Network會(huì)顯示瀏覽器從網(wǎng)頁服務(wù)器中得到的所有文件，一般這個(gè)過程稱為“抓包”。

找到真實(shí)的數(shù)據(jù)地址。選擇需要的文件，單擊Preview標(biāo)簽即可查看數(shù)據(jù)，而Headers標(biāo)簽里則可以找到數(shù)據(jù)地址（就是Request URL那一項(xiàng)）。

獲得了地址，再想爬取就只用把link換成3里找到的數(shù)據(jù)地址。

2-3 網(wǎng)頁URL地址的規(guī)律

例如有些URL地址中有兩個(gè)特別重要的變量offset和limit，offset顯示本頁第一項(xiàng)是總的第幾項(xiàng)，limit表示每頁項(xiàng)目數(shù)。基于此，書中給了一個(gè)很好的例子（這個(gè)例子中，不同頁數(shù)的評(píng)論真實(shí)地址之間只體現(xiàn)在offset，所以才有page_str這個(gè)變量）：

2-4 json庫

• 使用：
  （1）引入json庫import json
  （2）使用json.loads把字符串格式的響應(yīng)體數(shù)據(jù)轉(zhuǎn)化為json數(shù)據(jù)json_date = json.load(req_1.text)

2-5 通過Selenium模擬瀏覽器抓取

使用本方法無需2-1的操作，直接用網(wǎng)頁網(wǎng)址即可

因此，這里介紹另一種方法，即使用瀏覽器渲染引擎。直接用瀏覽器在顯示網(wǎng)頁時(shí)解析HTML、應(yīng)用CSS樣式并執(zhí)行JavaScript的語句。
這個(gè)方法在爬蟲過程中會(huì)打開一個(gè)瀏覽器加載該網(wǎng)頁，自動(dòng)操作瀏覽器瀏覽各個(gè)網(wǎng)頁，順便把數(shù)據(jù)抓下來。用一句簡單而通俗的話說，就是使用瀏覽器渲染方法將爬取動(dòng)態(tài)網(wǎng)頁變成爬取靜態(tài)網(wǎng)頁。
我們可以用Python的Selenium庫模擬瀏覽器完成抓取。Selenium是一個(gè)用于Web應(yīng)用程序測(cè)試的工具。Selenium測(cè)試直接運(yùn)行在瀏覽器中，瀏覽器自動(dòng)按照腳本代碼做出單擊、輸入、打開、驗(yàn)證等操作，就像真正的用戶在操作一樣。

• 安裝 pip install selenium
• 下載geckodriver，在環(huán)境變量的PATH中加入這個(gè)geckodriver的地址
• 要使用瀏覽器，可能會(huì)需要相應(yīng)的driver，例如Chromedriver。關(guān)于Chromedriver的下載，可以參考這個(gè)博客：
  ChromeDriver與Chrome版本對(duì)應(yīng)參照表及ChromeDriver下載鏈接
• 上述內(nèi)容的簡單例子：

from selenium import webdriver from selenium.webdriver.chrome.webdriver import WebDriver # 產(chǎn)生DesiredCapabilities()對(duì)象，并修改對(duì)應(yīng)字典的默認(rèn)值,不過對(duì)于使用chrom暫時(shí)沒什么用 caps = webdriver.DesiredCapabilities().CHROME # 要調(diào)用的瀏覽器driver地址，根據(jù)瀏覽器不同實(shí)現(xiàn)方式會(huì)有所差別 # chrom.webdriver里對(duì)應(yīng)的參數(shù)需要的是一個(gè)字符串，如果不給數(shù)據(jù)它會(huì)去找$PATH executable_path = 'C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe' # 產(chǎn)生對(duì)象 driver = WebDriver(executable_path=executable_path) driver.get('https://greasyfork.org/zh-CN/scripts')

• 書中給的例子仍舊是評(píng)論，在driver調(diào)用get()以后,driver.find_element_by_css_selector表示用CSS選擇器查找元素，找到class為bdy-inner的div元素；find_element_by_tag_name表示通過元素的tag尋找，意思是找到comment中的p元素。
  具體增加代碼
  
  檢查可以看到的內(nèi)容
  運(yùn)行上述代碼，得到的結(jié)果是：“第35條測(cè)試評(píng)論”
• 書中還提及單擊特定位置的方法：
  使用driver.find_element_by_css_selector()(還有許多其他查找方法，這里只提這一種）找到該元素，然后使用.click()方法模擬單擊

load_more = driver.find_element_by_css_selector('div.tie-load-more') load_more.click()

• Selenium中通過find_element_by_xpath()和find_element_by_css_selector()查找比其他查找函數(shù)好一些。
• Selenium常見的操作元素方法·Clear清除元素的內(nèi)容。·send_keys模擬按鍵輸入。·Click單擊元素。·Submit提交表單。
• 用Selenium控制瀏覽器加載的內(nèi)容（火狐使用FirefoxProfile().set_preference()函數(shù)調(diào)整），可以加快Selenium的爬取速度，常用的方法有：
  （1）控制CSS（用來控制頁面的外觀和元素放置位置的）的加載。
  （2）控制圖片文件的顯示。
  （3）控制JavaScript的運(yùn)行。
• Selenium的官方網(wǎng)站

總結(jié)

以上是生活随笔為你收集整理的python网络爬虫学习笔记（6）动态网页抓取（一）知识的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。