python 爬虫获取动态加载的数据 python爬虫动态加载页面

一、Ajax数据爬取

1.Ajax介绍

Ajax，全称为Asynchronous JavaScript and XML，即异步的JavaScript和XML。 它不是一门编程语言，而是利用JavaScript在保证页面不被刷新、页面链接不改变的情况下与服务器交换数据并更新部分网页的技术。发送Ajax请求到网页更新过程，简单分为以下3步：发送请求；解析内容；渲染网页。

Ajax具有特殊的请求类型，它叫作xhr。

2.Ajax数据爬取

#首先，定义一个方法来获取每次请求的结果。 在请求时，page是一个可变参数，所以我们将它作为方法的参数传递进来，相关代码如下：
from urllib.parse importurlencodeimportrequests
base url= 'https://m.weibo.cn/api/container/getlndex?'headers={'Host': 'm.weibo.cn','Referer＇：'https://m.weibo.cn/u/2830678474','User-Agent':'Mozilla/s.o (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/58.0.3029.110 Safari/537.36','X-Requested-With ':'XMLHttpRequest',
}def get_page(page)':
params ={'type':'uid','value':'2830678474','containerid':'1076032830678474','page': page
}
url= base_url +urlencode(params)try:
response= requests.get(url, headers=headers)if response.status_code == 200:returnresponse.json()exceptrequests.ConnectionError as e:print('Error', e.args)#随后，我们需要定义一个解析方法，用来从结果中提取想要的信息，比如这次想保存微博的id、正文、赞数、 评论数和转发数这几个内容，那么可以先遍历cards，然后获取mblog 中的各个信息，赋值为一个新的字典返回即可：
from pyquery importPyQuery as pqdefparse _page (j son):ifjson:
items= j son. get('data') .get('cards')for item initems:
item= item.get('mblog')
weibo={}
weibo['id'] = item.get('id')
weibo['text'] = pq(item.get('text')). text()
weibo['attitudes'] = item.get('attitudes_count')
weibo ['comments'] = item.get('comments_count')
weibo['reposts'] = item.get('reposts_count')yieldweibo#最后，遍历一下page，一共10页，将提取到的结果打印输出即可：
if name == 'main':for page in range(l, 11):
json=get_page(page)
results=parse_page(json)for result inresults:print(result)#加一个方法将结果保存到MongoDB数据库：
from pymongo importMongoClient
client=MongoClient ()
db= client [ 'weibo']
collection= db['weibo']defsave_to_mongo(result):ifcollection.insert(result):print('save to Mongo')
二、Selenium库
Selenium是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，如点击、下拉等操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见即可爬。
1.声明浏览器对象
from selenium importwebdriver
browser=webdri ver. Chrome()
browser=webdriver. Firefox()
browser=webdri ver. Edge()
browser=webdriver. PhantomJS()
browser=webdriver.Safari()#完成浏览器对象初始化并将其赋值为browser 对象。调用 browser对象，让其执行各个动作以模拟浏览器操作。
2.访问页面
from selenium importwebdnver
browser=webdriver.Chrome()
browser. get （’https://www.taobao.com’ ）print(browser.page_source)
browser. close()#用get（）方法来请求网页，参数传入链接URL即可。
3.查找节点
#单个节点
find_element_by_id
find_element_by_name
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
Selenium提供通用方法find_element()，它需要传入两个参数： 查找方式By和值。find_element(By.ID,id)from selenium importwebdriverfrom selenium.webdriver.common.by importBy
browser=webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first= browser.find_element(By.ID,'q')print(input_first)
browser.close()#多个节点
要查找所有满足条件的节点，需要用find_elements（）这样的方法
4.节点交互
Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。
from selenium importwebdriverimporttime
browser=webdriver.Chrome()
browser.get('https://www.taobao.com')
input= browser.find_element_by_id('q')#send_keys()方法用于输入文字
input.send_keys('iPhone')
time.sleep(1)#clear()方法用于清空文字
input.clear()
input.send_keys('iPad')
button= browser.find_element_by_class_name('btn-search')#click()方法用于点击按钮
button.click()
5.动作链
如鼠标拖曳、 键盘按键等，它们没有特定的执行对象，这些动作用另一种方式来执行，那就是动作链。-实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处#首先，打开网页中的一个拖曳实例，然后依次选中要拖曳的节点和拖曳到的目标节点，接着声明ActionChains对象并将其赋值为actions变量，然后通过调用actions变量的drag_and_drop（）方法，再调用perform（）方法执行动作，此时就完成了拖曳操作
from selenium importwebdnverfrom selenium.webdriver importActionChains
browser=webdriver.Chrome()
url ＝’http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'browser.get(url)
browser.switch_to.frame('iframeResult')
source= browser.find_element_by_css selector('#draggable')
target= browser.find_element_by_css_selector('#droppable')
actions=ActionChains(browser)
actions.drag_and_drop(source, target)
actions.perform()
6.JavaScript执行
对于某些操作，Selenium API并没有提供。 比如，下拉进度条，它可以直接模拟运行JavaScript，
此时使用execute script（）方法即可实现，代码如下：
from selenium importwebdriver
browser=webdriver.Chrome()
browser. get (’https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(o, document.body.scrollHeight)’)
browser.execute_script('alert(”To Bottom”)')#这里就利用execute script（）方法将进度条下拉到最底部，然后弹出alert提示框。
7.获取节点信息
- 获取属性
#使用get_attribute（）方法来获取节点的属性
from selenium importwebdriverfrom selenium.webdriver importActionChains
browser=webdri ver. Chrome()
url= 'https://www.zhihu.com/explore'browser. get ( url)
logo= browser.find_element_by_id(’zh-top-link-logo’)print(logo)print(logo.get_attribute(’class'))
- 获取文本值
from selenium importwebdriver
browser=webdriver.Chrome()
url=’https://www.zhihu.com/explore’
browser. get(url)
input= browser.find_element by class name('zu-top-add-question’)
print(input.text)
- 获取id、位置、标签名和大小
from. selenium importwebdnver
browser=webdriver. Chrome()
url ＝’https：/／www.zhihu.com/explore'browser.get (url)
input= browser.find_element_by_class_name(’zu-top-add-question')
print(input.id) 　　 #节点id
print(input.location)　　#节点页面相对位置
print(input.tag_name)　　#标签名称
print(input.size) 　　#节点大小
8.Frame切换
网页中有一种节点叫作iframe，也就是子Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。 Selenium打开页面后，它默认是在父级Frame里面操作，而此时如果页面中还有子Frame，它是不能获取到子Frame里面的节点的。 这时就需要使用switch_to.frame（）方法来切换Frame。
importtimefrom selenium importwebdriverfrom selenium.common.exceptions importNoSuchElementException
browser=webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeresult’)
try:
logo= browser.find_element_by_class_name('logo')exceptNoSuchElementException:print(’NO LOGO')
browser.switch_to.parent_frame）
logo=browser. find_element_by_class_name（'logo'）print(logo)print(logo.text)
首先通过switch_to. frame（）方法切换到子Frame里面，然后尝试获取父级Frame 里的logo 节点（这是不能找到的），如果找不到的话，就会抛出NoSuchElementException异常，异常被捕捉之后，就会输出NO LOGO。 接下来，重新切换回父级Frame,然后再次重新获取节点，发现此时可以成功获取了。
- 隐式等待
使用隐式等待执行测试的时候，如果Selenium没有在DOM中找到节点，将继续等待，超出设定时间后，则抛什1找不到节点的异常。 换句话说，当查找节点而节点并没有立即出现的时候，隐式等待将等待一段时间再查找DOM，默认的时间是0。
from selenium importwebdriver
browser=webdriver.Chrome()
browser.implicitly_wait (10)
browser.get(’https://www.zhihu.com/explore')
input = browser. find_element_by_class_name(’zu-top-add-question’)print(input)
- 显式等待
隐式等中认为固定了等待时间，然而页面的加载时间会受到网络条件的影响。
显式等待方法，它指定要查找的节点，然后指定一个最长等待时间。 如果在规定时间内加载出这个节点，就返回查找的节点；如果到了规定时间依然没有加载出来，则抛出超时异常。
#首先引入WebDriverWait这个对象，指定最长等待时间，然后调用它的until()方法，传入要等待条件expected_conditions。 比如，这里传入了presence_of_element_located这个条件，代表节点出现的意思，其参数是节点的定位元组，也就是ID为q的节点搜索框。
-效果：在10秒内如果ID为q的节点（即搜索框）成功加载出来，就返回该节点；如果超过10秒还没有加载出来，就抛出异常。from selenium importwebdriverfrom selenium.webdriver.common.by importByfrom selenium.webdriver.support.ui importWebDriverWaitfrom selenium.webdriver.support importexpected_conditions as EC
browser=webdriver.Chrome()
browser.get(’https://www.taobao.com/’)
wait= WebDriverWait(browser, 10)
input=wait. until(EC. presence_of _element_located( (By. ID,’q’)))
button= wait.until(EC.element to be clickable((By.CSS_SELECTOR,’.btn search')))
print(input, button)
9.前进、后退
浏览器时都有前进和后退功能，Selenium中分别通过forward()、back()方法实现。
importtimefrom selenium importwebdnver
browser=webdriver.Chrome()
browser. get (’https://www.baidu.com/’)
browser.get('https://www.taobao.com/’)
browser.get(’https://www.python.org/’)
browser.back()
time.sleep(l)
browser. forward()
browser. close()
10.Cookies
from selenium importwebdriver
browser=webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')print(browser.get_cookies())
browser.add_cookie({'name':'name','domain':'www.zhihu.com','value':'germey'})
browser.delete_all_cookies()
11.选项卡管理
importtimefrom selenium importwebdnver
browser=webdriver. Chrome()
browser.get(’https://www.baidu.com')
browser.execute_script(’window. open()’)print(browser. window _handles)
browser.switch_to_window(browser.window_handles[l])
browser.get(’https://www.taobao.com')
time.sleep(l)
browser.switch_to_window(browser.window_handles(0))
browser.get(’https://python.org')
12.异常处理
from selenium importwebdriverfrom selenium.common.exceptions importTimeoutException, NoSuchElementExcephon
browser=webdriver.Chrome()try:
browser.get('https://www.baidu.com’）
exceptTimeoutException:print('Time Out')try:
browser. find_element_by_id('hello')exceptNoSuchElementException:print(’No Element’)finally:
browser.close()
三、Splash
Splash是一个JavaScript渲染服务，是一个带有HTTPAPI的轻量级浏览器，它对接了Python中的Twisted和QT库。 利用它，我们同样可以实现动态谊染页面的抓取。
异步方式处理多个网页渲染过程；
获取渲染后的页面的源代码或截图；
通过关闭图片渲染或者使用Adblock规则来加快页面渲染速度；
可执行特定的JavaScript脚本；
可通过Lua脚本来控制页面渲染过程；
获取渲染的详细过程并通过HAR( HTTP Archive ）格式呈现
1.Splash Lua脚本
Splash可以通过Lua脚本执行一系列渲染操作，这样我们就可以用Splash来模拟类似Chrome、PhantomJS的操作。
- 入口及返回值
function main(splash, args)
splash:go("http://www.baidu.com")
splash:wait(o.s)
local title=splash:evaljs(”document.title”)return {title=title}
end
- 异步处理
function main(splash, args)
local example_urls= {"www.baidu.com”，”www.taobao.com”，”www.zhihu.com'’}
local urls = args.urls orexample_urls
local results={}for index,url inipairs(urls) do
local ok, reason= splash:go(”http://”..url)ifok then
splash:wait(2)
results[url]=splash:png()
end
endreturnresults
end
2.Splash对象属性
- args
#此属性可获取加载时配置的参数，如URL
function main(splash, args)
local url=args.url
end
- js_enabled
#此属性是Splash的JavaScript执行开关，可以将其配置为true或false来控制是否执行JavaScript代码，默认为true。
function main(splash, args)
splash:go（”https：/／www.baidu.com”）
splash.js_enabled=false
local title= splash:evaljs(”document.title")
return {title=title}
end
- resource_timeout
#此属性可以设置加载的超时时间，单位是秒。 如果设置为0或nil，代表不检测超时。
function main(splash)
splash.resource_timeout= 0.1
assert(splash:go('https://www.taobao.com'))returnsplash:png()
end
- images_enabled
#此属性可以设置图片是否加载，默认情况下是加载的。
function main(splash, args)
splash.images_enabled=falseassert(splash:go（’https://www.jd.com'))
return {png=splash:png()}
end
- plugins_enabled
#此属性可以控制浏览器插件是否开启。 默认情况下，此属性是false，表示不开启。
splash.plugins_enabled = true/false
- scroll_position
#通过设置此属性，可以控制页面上下或左右滚动。
function main(splash, args)assert(splash:go('https://www.taobao.com’))
splash.scroll_position = {y=400}return {png=splash: png()}
end
3.Splash对象方法
go() #用于请求某个链接,模拟GET和POST请求。
ok, reason = splash#go{url, baseurl=nil, headers=nil, http_method="GET", body=nil, formdata=nil}
baseurl是资源加载相对路径,headers是请求头,http_method默认GET,body发POST请求时的表单数据,formdata是POST时的表单数据
wait()#控制页面等待时间
jsfunc() #可以直接调用JavaScript定义的方法,但是所调用的方法需要用双中括号包围,这相当于实现了JavaScript方法到Lua脚本的转换。
evaljs() #执行JavaScript代码并返回最后一条JavaScript语句的返回结果
runjs() #执行JavaScript代码,它与evaljs()的功能类似,但是更偏向于执行某些动作或声明某些方法。
autoload() #设置每个页面访问时自动加载的对象
call_later() #通过设置定时任务和延迟时间来实现任务延时执行,井且可以在执行前通过cancel()重新执行定时任务。
http_get() #模拟发送HTTP的GET请求
http_post() #用来模拟发送POST请求
set_content() #用来设置页面的内容
html() #用来获取网页的源代码
png() #用来获取PNG格式的网页截图
jpeg() #用来获取JPEG格式的网页截图
har() #用来获取页面加载过程
url() #获取当前正在访问的URL
get_cookies() #获取当前页面的Cookies
add_cookies() #为当前页面添加Cookie
clear_cookies() #清除所有的Cookies
get_viewport_size() #获取当前浏览器页面的大小,即宽高
set_viewport_size() #设置当前浏览器页面的大小,即宽高
set_viewport_full() #设置浏览器全屏显示
set_user_agent() #设置浏览器的User-Agent
set_custom_headers() #设置请求头
select() #选中符合条件的第一个节点,如果有多个节点符合条件,则只会返回一个,其参数是css选择器
select_all() #选中所有符合条件的节点,其参数是css选择器
mouse_click() #模拟鼠标点击操作,传入的参数为坐标值x和y。此外,也可以直接选中某个节点,然后调用此方法
4.Splash API调用
render.html #此接口用于获取JavaScript渲染的页面的HTML代码，接口地址就是Splash的运行地址加此接口名称
importrequests
url= 'http://localhost:8050/render.html?url=https://www.baidu.com'response=requests.get(url)print(response.text)
render.pug#此接口可以获取网页截图,它返回的是PNG格式的图片二进制数据
importrequests
url ＝'http://localhost:8050/render.png?url=https://www.jd.com&wait=S&width=lOOO&height=700'response=requests.get(url)
with open(’taobao.png’,'wb ’) as f:
f.write(response.content)
render.jpeg#此接口可以获取网页截图,它返回的是JPEG格式的图片二进制数据
render.bar #此接口用于获取页面加载的HAR数据
render.json #此接口包含了前面接口的所有功能，返回结果是JSON格式
execute #此接口可用于实现与Lua脚本的对接。
5.Splash负载均衡配置
用Splash做页面抓取时，如果爬取的量非常大，任务非常多，用一个Splash服务来处理的话，未免压力太大了，此时可以考虑搭建一个负载均衡器来把压力分散到各个服务器上。 这相当于多台机器多个服务共同参与任务的处理，可以减小单个Splash服务的压力。
第一步：配置Splash服务；第二步：配置负载均衡，选用任意一台带有公网IP的主机来配置负载均衡。首先，在这台主机上装好Nginx,然后修改Nginx的配置文件nginx.conf；第三步：配置认证，Splash是可以公开访问的，如果不想让其公开访问，还可以配置认证，这仍然借助于Nginx。可以在server的location字段中添加auth_basic和auth basic user_file字段；第四步：测试。
http {
upstream splash {
least_conn;
server41.159.27.223:8050;
server41.159. 27. 221: 8050;
server41.159. 27. 9: 8050:
server41.159 .117 .119: 8050;
}
server {
listen8050;
location/{
proxy_pass http://splash;
auth basic ”Restricted";
auth basic user_file /etc/nginx/conf.d/.htpasswd;
}
}
}importrequestsfrom urllib.parse importquoteimportre
lua= '''function main(splash, args)
local treat = require("treat'’)
local response = splash:http_get(’'http://httpbin.org/get")
return treat.as_string(response.body
end'''url= 'http://splash:8050/execute?lua_source=’+ quote(lua)
response = requests.get(url, auth＝（'admin','admin’））
ip = re.search（'（＼d+\.\d+\.\d+\.\d+)', response.text).group(l)print(ip)