爬蟲進階之Selenium和chromedriver,動態網頁（Ajax）數據抓取

什么是Ajax：

Ajax（Asynchronouse JavaScript And XML）異步JavaScript和XML。過在后台與服務器進行少量數據交換，Ajax 可以使網頁實現異步更新。這意味着可以在不重新加載整個網頁的情況下，對網頁的某部分進行更新。傳統的網頁（不使用Ajax）如果需要更新內容，必須重載整個網頁頁面。因為傳統的在傳輸數據格式方面，使用的是XML語法。因此叫做AJAX，其實現在數據交互基本上都是使用JSON。使用AJAX加載的數據，即使使用了JS，將數據渲染到了瀏覽器中，在右鍵->查看網頁源代碼還是不能看到通過ajax加載的數據，只能看到使用這個url加載的html代碼。

獲取ajax數據的方式：

1. 直接分析ajax調用的接口。然后通過代碼請求這個接口。
2. 使用Selenium+chromedriver模擬瀏覽器行為獲取數據。

方式	優點	缺點
分析接口	直接可以請求到數據。不需要做一些解析工作。代碼量少，性能高。	分析接口比較復雜，特別是一些通過js混淆的接口，要有一定的js功底。容易被發現是爬蟲。
selenium	直接模擬瀏覽器的行為。瀏覽器能請求到的，使用selenium也能請求到。爬蟲更穩定。	代碼量多。性能低。

Selenium+chromedriver獲取動態數據：

Selenium相當於是一個機器人。可以模擬人類在瀏覽器上的一些行為，自動處理瀏覽器上的一些行為，比如點擊，填充數據，刪除cookie等。chromedriver是一個驅動Chrome瀏覽器的驅動程序，使用他才可以驅動瀏覽器。當然針對不同的瀏覽器有不同的driver。以下列出了不同瀏覽器及其對應的driver：

1. Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads
2. Firefox：https://github.com/mozilla/geckodriver/releases
3. Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
4. Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

安裝Selenium和chromedriver：

1. 安裝Selenium：Selenium有很多語言的版本，有java、ruby、python等。我們下載python版本的就可以了。

   pip install selenium
   

   　　

2. 安裝chromedriver：下載完成后，放到不需要權限的純英文目錄下就可以了。

快速入門：

現在以一個簡單的獲取百度首頁的例子來講下Selenium和chromedriver如何快速入門：

from selenium import webdriver

# chromedriver的絕對路徑
driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'

# 初始化一個driver，並且指定chromedriver的路徑
driver = webdriver.Chrome(executable_path=driver_path)
# 請求網頁
driver.get("https://www.baidu.com/")
# 通過page_source獲取網頁源代碼
print(driver.page_source)

　　

selenium常用操作：

更多教程請參考：http://selenium-python.readthedocs.io/installation.html#introduction

關閉頁面：

1. driver.close()：關閉當前頁面。
2. driver.quit()：退出整個瀏覽器。

定位元素：

1. find_element_by_id：根據id來查找某個元素。等價於：

    submitTag = driver.find_element_by_id('su')
    submitTag1 = driver.find_element(By.ID,'su')

2. find_element_by_class_name：根據類名查找元素。 等價於：

    submitTag = driver.find_element_by_class_name('su')
    submitTag1 = driver.find_element(By.CLASS_NAME,'su')

3. find_element_by_name：根據name屬性的值來查找元素。等價於：

    submitTag = driver.find_element_by_name('email')
    submitTag1 = driver.find_element(By.NAME,'email')

4. find_element_by_tag_name：根據標簽名來查找元素。等價於：

    submitTag = driver.find_element_by_tag_name('div')
    submitTag1 = driver.find_element(By.TAG_NAME,'div')

5. find_element_by_xpath：根據xpath語法來獲取元素。等價於：

    submitTag = driver.find_element_by_xpath('//div')
    submitTag1 = driver.find_element(By.XPATH,'//div')

6. find_element_by_css_selector：根據css選擇器選擇元素。等價於：

    submitTag = driver.find_element_by_css_selector('//div')
    submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')

   要注意，find_element是獲取第一個滿足條件的元素。find_elements是獲取所有滿足條件的元素。

操作表單元素：

1. 操作輸入框：分為兩步。第一步：找到這個元素。第二步：使用send_keys(value)，將數據填充進去。示例代碼如下：

    inputTag = driver.find_element_by_id('kw')
    inputTag.send_keys('python')

   使用clear方法可以清除輸入框中的內容。示例代碼如下：

   inputTag.clear()

2. 操作checkbox：因為要選中checkbox標簽，在網頁中是通過鼠標點擊的。因此想要選中checkbox標簽，那么先選中這個標簽，然后執行click事件。示例代碼如下：

    rememberTag = driver.find_element_by_name("rememberMe")
    rememberTag.click()

3. 選擇select：select元素不能直接點擊。因為點擊后還需要選中元素。這時候selenium就專門為select標簽提供了一個類selenium.webdriver.support.ui.Select。將獲取到的元素當成參數傳到這個類中，創建這個對象。以后就可以使用這個對象進行選擇了。示例代碼如下：

    from selenium.webdriver.support.ui import Select
    # 選中這個標簽，然后使用Select創建對象
    selectTag = Select(driver.find_element_by_name("jumpMenu"))
    # 根據索引選擇
    selectTag.select_by_index(1)
    # 根據值選擇
    selectTag.select_by_value("http://www.95yueba.com")
    # 根據可視的文本選擇
    selectTag.select_by_visible_text("95秀客戶端")
    # 取消選中所有選項
    selectTag.deselect_all()

4. 操作按鈕：操作按鈕有很多種方式。比如單擊、右擊、雙擊等。這里講一個最常用的。就是點擊。直接調用click函數就可以了。示例代碼如下：

    inputTag = driver.find_element_by_id('su')
    inputTag.click()

行為鏈：

有時候在頁面中的操作可能要有很多步，那么這時候可以使用鼠標行為鏈類ActionChains來完成。比如現在要將鼠標移動到某個元素上並執行點擊事件。那么示例代碼如下：

inputTag = driver.find_element_by_id('kw')
submitTag = driver.find_element_by_id('su')

actions = ActionChains(driver)
actions.move_to_element(inputTag)
actions.send_keys_to_element(inputTag,'python')
actions.move_to_element(submitTag)
actions.click(submitTag)
actions.perform()

還有更多的鼠標相關的操作。

• click_and_hold(element)：點擊但不松開鼠標。
• context_click(element)：右鍵點擊。
• double_click(element)：雙擊。 更多方法請參考：http://selenium-python.readthedocs.io/api.html

Cookie操作：

1. 獲取所有的cookie：

    for cookie in driver.get_cookies():
        print(cookie)

2. 根據cookie的key獲取value：

   value = driver.get_cookie(key)

3. 刪除所有的cookie：

    driver.delete_all_cookies()

4. 刪除某個cookie：

    driver.delete_cookie(key)

頁面等待：

現在的網頁越來越多采用了 Ajax 技術，這樣程序便不能確定何時某個元素完全加載出來了。如果實際頁面等待時間過長導致某個dom元素還沒出來，但是你的代碼直接使用了這個WebElement，那么就會拋出NullPointer的異常。為了解決這個問題。所以 Selenium 提供了兩種等待方式：一種是隱式等待、一種是顯式等待。

1. 隱式等待：調用driver.implicitly_wait。那么在獲取不可用的元素之前，會先等待10秒中的時間。示例代碼如下：

   driver = webdriver.Chrome(executable_path=driver_path)
   driver.implicitly_wait(10)
   # 請求網頁
   driver.get("https://www.douban.com/")

2. 顯示等待：顯示等待是表明某個條件成立后才執行獲取元素的操作。也可以在等待的時候指定一個最大的時間，如果超過這個時間那么就拋出一個異常。顯示等待應該使用selenium.webdriver.support.excepted_conditions期望的條件和selenium.webdriver.support.ui.WebDriverWait來配合完成。示例代碼如下：

    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()

3. 一些其他的等待條件：

   • presence_of_element_located：某個元素已經加載完畢了。

   • presence_of_all_emement_located：網頁中所有滿足條件的元素都加載完畢了。

   • element_to_be_cliable：某個元素是可以點擊了。

     更多條件請參考：http://selenium-python.readthedocs.io/waits.html

切換頁面：

有時候窗口中有很多子tab頁面。這時候肯定是需要進行切換的。selenium提供了一個叫做switch_to_window來進行切換，具體切換到哪個頁面，可以從driver.window_handles中找到。示例代碼如下：

# 打開一個新的頁面

# 切換到這個新的頁面中
self.driver.switch_to_window(self.driver.window_handles[1])

設置代理ip：

有時候頻繁爬取一些網頁。服務器發現你是爬蟲后會封掉你的ip地址。這時候我們可以更改代理ip。更改代理ip，不同的瀏覽器有不同的實現方式。這里以Chrome瀏覽器為例來講解：

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://110.73.2.248:8123")
driver_path = r"D:\ProgramApp\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)

driver.get('http://httpbin.org/ip')

WebElement元素：

from selenium.webdriver.remote.webelement import WebElement類是每個獲取出來的元素的所屬類。

有一些常用的屬性：

1. get_attribute：這個標簽的某個屬性的值。
2. screentshot：獲取當前頁面的截圖。這個方法只能在driver上使用。
   driver的對象類，也是繼承自WebElement。
   更多請閱讀相關源代碼。