动态HTMl处理

2022-09-14 14:27:15

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

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

加载网页：

from selenium import webdriver
driver = webdriver.PhantomJS("c:...//pantomjs.exe")
driver.get("http://www.baidu.com/")
driver.save_screenshot("长城.png")

定位和操作

driver.find_element_by_id("kw").send_keys("长城")
driver.find_element_by_id("su").click()

查看请求信息：

driver.page_source
driver.get_cookies()
driver.current_url

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

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()

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()

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()

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。

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_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：

get_attribute：这个标签的某个属性的值。
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")

码农公寓