1. 动态加载数据抓取

1.1 AJAX动态加载

• 数据特点

  【1】右键 -> 查看网页源码中没有具体数据
  【2】滚动鼠标滑轮或其他动作时加载,或者页面局部刷新

• 分析流程

  【1】F12打开控制台，页面动作抓取网络数据包
  【2】抓取json文件URL地址
     2.1) 控制台中 XHR ：异步加载的数据包
     2.2) XHR -> QueryStringParameters(查询参数)

1.2 豆瓣电影爬虫

1.2.1 项目需求

【1】地址: 豆瓣电影 - 排行榜 - 剧情
【2】目标: 电影名称、电影评分

1.2.2 抓包分析

【1】Request URL(基准URL地址) ：https://movie.douban.com/j/chart/top_list?
【2】Query String(查询参数)
    # 抓取的查询参数如下：
    type: 13 # 电影类型
    interval_id: 100:90
    action: ''
    start: 0  # 每次加载电影的起始索引值 0 20 40 60 
    limit: 20 # 每次加载的电影数量

1.2.3 代码实现

"""
抓取豆瓣电影排行榜
在此代码基础上做如下扩展:
1、自动抓取剧情类别下的所有电影(获取电影总数)
2、抓取所有类别的所有电影
   运行效果如下
      请输入电影类别(剧情|喜剧|动作|爱情|....)：爱情
      结果：抓取爱情类别下的所有电影
"""
import requests
import json
import time
import random
from fake_useragent import UserAgent
import re
​
class DouBanSpider:
    def __init__(self):
        self.url = 'https://movie.douban.com/j/chart/top_list?type={}&interval_id=100%3A90&action=&start={}&limit=20'
​
    def get_html(self, url):
        """请求功能函数"""
        headers = {'User-Agent':UserAgent().random}
        html = requests.get(url=url, headers=headers).text
​
        return html
​
    def parse_html(self, url):
        """爬虫逻辑函数"""
        html = self.get_html(url=url)
        # html: [{},{},...{}]
        html = json.loads(html)
        for one_film_dict in html:
            item = {}
            item['rank'] = one_film_dict['rank']
            item['title'] = one_film_dict['title']
            item['score'] = one_film_dict['score']
            item['time'] = one_film_dict['release_date']
            print(item)
​
    def get_dic(self):
        """获取所有类别和对应type值的大字典"""
        url = 'https://movie.douban.com/chart'
        html = self.get_html(url=url)
        regex = '<span><a href=.*?type_name=(.*?)&type=(.*?)&interval_id=100:90&action=">'
        # r_list: [('剧情','11'), ('喜剧','23'), ...]
        r_list = re.findall(regex, html, re.S)
        dic = {}
        for r in r_list:
            dic[r[0]] = r[1]
​
        return dic
​
    def get_total(self, type_num):
        """获取电影总数量"""
        url = 'https://movie.douban.com/j/chart/top_list_count?type={}&interval_id=100%3A90'.format(type_num)
        html = self.get_html(url=url)
        html = json.loads(html)
        total = html['total']
​
        return total
​
    def crawl(self):
        # 大字典：{"剧情":"11", '喜剧':'24', '爱情':'13', ....}
        dic = self.get_dic()
        # 生成显示的菜单
        menu = ''
        for item in dic:
            menu += item + '|'
        print(menu)
        # 让用户选择
        choice = input('请输入电影类别：')
        type_num = dic[choice]
        # 计算此类别电影总数
        total = self.get_total(type_num)
        for start in range(0, total, 20):
            page_url = self.url.format(type_num, start)
            self.parse_html(url=page_url)
            # 控制频率
            time.sleep(random.uniform(0, 1))
​
if __name__ == '__main__':
    spider = DouBanSpider()
    spider.crawl()

2. selenium爬虫

2.1 selenium概述

【1】定义
    1.1) 开源的Web自动化测试工具
    
【2】用途
    2.1) 对Web系统进行功能性测试,版本迭代时避免重复劳动
    2.2) 兼容性测试(测试web程序在不同操作系统和不同浏览器中是否运行正常)
    2.3) 对web系统进行大数量测试
    
【3】特点
    3.1) 可根据指令操控浏览器
    3.2) 只是工具，必须与第三方浏览器结合使用
    
【4】安装
    4.1) Linux: sudo pip3 install selenium
    4.2) Windows: python -m pip install selenium

2.2 PhantomJS概述

phantomjs为*面浏览器(又称无头浏览器)，在内存中进行页面加载,高效

2.3 环境安装

• 环境安装

  【1】环境说明（'以下三种环境任意安装其中一种即可'）
      环境一：selenium + PhantomJS
      环境二：selenium + chromedriver + Chrome ('我们安装此版本')
      环境三：selenium + geckodriver + Firefox
  ​
  【2】提前下载驱动
      2.1) chromedriver : 下载对应版本
          http://npm.taobao.org/mirrors/chromedriver/
      2.2) geckodriver
          https://github.com/mozilla/geckodriver/releases
      2.3) phantomjs
          https://phantomjs.org/download.html
              
  【3】添加到系统环境变量
      2.1) windows: 将解压后的可执行文件拷贝到Python安装目录的Scripts目录中
           windows查看python安装目录(cmd命令行)：where python
      2.2) Linux :  将解压后的文件拷贝到/usr/bin目录中
           sudo cp chromedriver /usr/bin/
          
  【3】Linux中需要修改权限
      sudo chmod 777 /usr/bin/chromedriver
      
  【4】验证
      4.1) Ubuntu | Windows
          from selenium import webdriver
          webdriver.Chrome()
          webdriver.Firefox()
  ​
      4.2) Mac
          from selenium import webdriver
          webdriver.Chrome(executable_path='/Users/xxx/chromedriver')
          webdriver.Firefox(executable_path='/User/xxx/geckodriver')

3. selenium详解

3.1 代码演示

"""
使用selenium打开浏览器,进入百度的搜索页面
"""
# 导入selenium的webdriver接口
from selenium import webdriver

# 1.打开浏览器 - 创建浏览器对象
driver = webdriver.Chrome()
# 浏览器窗口最大化
driver.maximize_window()
# 2.在地址栏输入 百度的URL地址
driver.get(url='http://www.baidu.com/')
# 3.page_source属性：获取HTML结构源码
html = driver.page_source
# quit(): 关闭浏览器
driver.quit()

"""示例代码二：打开百度，搜索高圆圆，点击搜索，查看"""

from selenium import webdriver

# 1. 打开浏览器,输入百度URL地址
driver = webdriver.Chrome()
driver.get(url='http://www.baidu.com/')
# 2. 找到搜索框节点,并发送关键字：高圆圆
node = driver.find_element_by_xpath('//*[@id="kw"]')
node.send_keys('高圆圆')
# 3. 找到 百度一下 按钮,并点击确认
driver.find_element_by_xpath('//*[@id="su"]').click()

3.2 浏览器对象方法

【1】driver.get(url=url)   - 地址栏输入url地址并确认
【2】driver.quit()         - 关闭浏览器
【3】driver.close()        - 关闭当前页
【4】driver.page_source    - HTML结构源码
【5】driver.page_source.find('字符串')
    从html源码中搜索指定字符串,没有找到返回：-1,经常用于判断是否为最后一页
【6】driver.maximize_window() - 浏览器窗口最大化