动态HTMl处理

后续爬虫代码的建议

尽量减少请求次数

1. 能抓列表页就不抓详情页

2. 保存获取的html页面,供差错和重复请求使用

关注网站的所有类型的页面

1. wap页面,触屏版页面

2. H5页面

3. APP

多伪装

1. 动态的UA

2. 代理ip

3. 不使用cookie

利用多线程分布式

在不被ban的请求下尽可能的提高速度

动态HTML技术的了解

js

网络上最常用脚本语言。它可以收集用户的跟踪数据,不需要重载页面直接提交表单,在页面嵌入多媒体文件,甚至运行网页游戏

jQuery

jQuery是一个快速、简洁的JavaScript框架,封装了JavaScript常用的功能代码

Ajax

AJAX可以使网页实现异步更新,可以在不重新加载整个网页的情况下,对网页某部分进行更新

Selenium和PhantomJS

  • Selenium

    selenium是一个Web的自动化测试工具,最初是为网站自动化测试而开发的,Selenium 可以直接运行在浏览器上,它支持所有主流浏览器(包括PhantomJS这些*面的浏览器),可以接收指令,让浏览器自动加载页面,获取需要的数据,甚至页面截屏

  • PhantomJS

    PhantomJS是一个基于Webkit的“*面”(headless)浏览器,它会把网站加载到内存并且执行页面上的javaScript

http://selenium-python-zh.readthedocs.io/en/latest/waits.html

Selenium和PhantomJS入门

  1. 加载网页:
  1. 定位和操作
  • driver.find_element_by_id("kw").send_keys("长城")
  • driver.find_element_by_id("su").click()
  1. 查看请求信息:
  • driver.page_source
  • driver.get_cookies()
  • driver.current_url
  1. 退出
  • driver.close() # 退出当前页面
  • driver.quit() # 退出浏览器

页面元素定位

  • 用法:
    • find_element_by_id(返回一个)
    • find_elements_by_xpath(返回一个列表)
    • find_elements_by_link_text
    • find_elements_by_partial_link_text
    • find_elements_by_tag_name
    • find_elements_by_class_name
    • find_elements_by_css_selector
  • 注意点
    1. find_element和find_elements的区别:返回一个和返回一个列表
    2. by_link_text和by_partial_link_text的区别:全部文本和包含某个文本
    3. by_css_selector的用法:#food span.dairy.aged
    4. by_xpath中获取的属性和文本需要使用个体——attribute()和.text
    5. 在判断是否有下一页的时候,使用find_elements来根据结果的列表长度来判断
    6. 如果页面中含有iframe、frame,需要先调用driver.switch_to.frame方法切换frame中才能定位元素
    7. selenium请求第一页的时候会等待页面加载完了之后在获取数据,但是在点击翻页之后,hi直接获取数据,此时可能会报错,因为数据还没有加载出来,需要time.sleep(3)

操作表单元素

  1. 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:

inpputTag.clear()
  1. 操作checkbox:因为要选中checkbox标签,在网页中是通过鼠标点击的。因此要想选中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:
renrenTag = driver.find_element_by_name("rememberMe")
rememberTag.click()
  1. 选择select:select元素不能直接点击。因此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创建的对象
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")
# 根据可视文本选择
selectTag.select_by_visible_text("95客服端")
# 取消选中所有选项
selectTag.deselect_all()
  1. 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 = ActionsChains(diver)
actions.move_to_element(inputTag)
actions.send_keys_to_element(inputTag, 'python')
actions.move_to_element(sumitTag)
actions.perform()

还有更多的鼠标相关的操作。

Cookie操作:

  1. 获取所有的cookie
for cookie in driver.get_cookies():
print(cookie)
  1. 根据cookie的key获取value:
value = driver.get_cookie(key)
  1. 删除所有的cookie:
driver.delete_all_cookies()
  1. 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。

  1. 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/")
  1. 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()
  1. 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_element_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.readhedocs.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swith_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:

# 打开一个新页面
self.driver.execute_script('window.open("+url+")'')
# 切换到这个新的页面中
self.driver.swith_to_window(self.driver.window_handles[1])

driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")

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:

  1. get_attribute:这个标签的某个属性的值。
  2. screetshot: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WebElement

    更多请阅读相关源代码。

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。这里有chrome浏览器为例来讲解:

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://110.73.2.248:8132") driver_path = r"D:\ProgramApp\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path, chrome_options=options) driver.get("http://httpbin.org/ip")
上一篇:Java-Runoob-高级教程-实例-数组:10. Java 实例 – 查找数组中的重复元素-un


下一篇:@ConditionalOnProperty 详解