注:本文參考了網易雲知了課堂課件筆記。
AJAX定義
AJAX(Asynchronouse JavaScript And XML)異步JavaScript和XML。在後臺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。因爲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數據地方式
1.直接分析ajax調用的接口。然後通過代碼請求這個接口。
優點: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。
缺點:分析接口比較複雜,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。
2.使用Selenium+chromedriver模擬瀏覽器行爲獲取數據。
優點:直接模擬瀏覽器的行爲。瀏覽器能請求到的,使用selenium也能請求到。爬蟲更穩定。
缺點: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爲,自動處理瀏覽器上的一些行爲,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,使用他纔可以驅動瀏覽器。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:
Chrome:https://sites.google.com/a/chromium.org/chromedriver/downloads
Firefox:https://github.com/mozilla/geckodriver/releases
Edge:https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
Safari:https://webkit.org/blog/6900/webdriver-support-in-safari-10/
安裝Selenium和chromedriver:
1.安裝Selenium
pip install selenium
2.安裝chromedriver
下載完成後,放到不需要權限的純英文目錄下就可以了。
selenium+chromedriver 訪問百度
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:根據標籤名來查找元素。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')
- 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:分爲兩步。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:因爲要選中checkbox標籤,在網頁中是通過鼠標點擊的。因此想要選中checkbox標籤,那麼先選中這個標籤,然後執行click事件。示例代碼如下:
rememberTag = driver.find_element_by_name("rememberMe")
rememberTag.click()
- 選擇select:select元素不能直接點擊。因爲點擊後還需要選中元素。這時候selenium就專門爲select標籤提供了一個類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。以後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
# 選中這個標籤,然後使用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。這裏講一個最常用的。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()
行爲鏈:
有時候在頁面中的操作可能要有很多步,那麼這時候可以使用鼠標行爲鏈類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。那麼示例代碼如下:
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):點擊但不鬆開鼠標。
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()
- 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,那麼就會拋出NullPointer的異常。爲了解決這個問題。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。那麼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後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麼就拋出一個異常。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:
rom 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
self.driver.execute_script("window.open('"+url+"')")
# 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後會封掉你的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。這裏以Chrome瀏覽器爲例來講解:
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:這個標籤的某個屬性的值。
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。
selenium+chromdriver來抓取拉鉤網職位信息
import time
import re
from lxml import etree
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import csv
class LagouSpider(object):
driver_path = r'/home/kiosk/Desktop/chromedriver'
def __init__(self):
self.driver = webdriver.Chrome(executable_path=self.driver_path)
self.url = 'https://www.lagou.com/jobs/list_python?isSchoolJob=1'
self.positions = []
self.fp = open('lagou.csv','a',encoding='utf-8',newline='')
self.writer = csv.DictWriter(self.fp,[
'name','company_name','salary','city','work_years','education','desc'
])
self.writer.writeheader()
def run(self):
self.driver.get(self.url)
while True:
source = self.driver.page_source
WebDriverWait(driver=self.driver,timeout=10).until(
EC.presence_of_all_elements_located((By.XPATH,
"//div[@class='pager_container']/span[last()]"))
)
self.parse_list_page(source)
try:
next_btn = self.driver.find_element_by_xpath(
"//div[@class='pager_container']/span[last()]")
if "pager_next_disabled" in next_btn.get_attribute("class"):
break
else:
next_btn.click()
except:
print(source)
time.sleep(1)
def parse_list_page(self,source):
html = etree.HTML(source)
links = html.xpath("//a[@class='position_link']/@href")
for link in links:
self.request_detail_page(link)
time.sleep(1)
def request_detail_page(self,url):
self.driver.execute_script("window.open('%s')"%url)
self.driver.switch_to.window(self.driver.window_handles[1])
WebDriverWait(self.driver,timeout=10).until(
EC.presence_of_all_elements_located(
(By.XPATH,"//div[@class='job-name']/span[@class='name']"))
)
source = self.driver.page_source
self.parse_detail_page(source)
self.driver.close()
self.driver.switch_to.window(self.driver.window_handles[0])
def parse_detail_page(self,source):
html = etree.HTML(source)
position_name = html.xpath("//span[@class='name']/text()")[0]
job_request_spans = html.xpath("//dd[@class='job_request']//span")
salary = job_request_spans[0].xpath('.//text()')[0].strip()
city = job_request_spans[1].xpath(".//text()")[0].strip()
city = re.sub(r"[\s/]", "", city)
work_years = job_request_spans[2].xpath(".//text()")[0].strip()
work_years = re.sub(r"[\s/]", "", work_years)
education = job_request_spans[3].xpath(".//text()")[0].strip()
education = re.sub(r"[\s/]", "", education)
desc = "".join(html.xpath("//dd[@class='job_bt']//text()")).strip()
company_name = html.xpath("//h2[@class='fl']/text()")[0].strip()
position = {
'name': position_name,
'company_name': company_name,
'salary': salary,
'city': city,
'work_years': work_years,
'education': education,
'desc': desc
}
self.write_position(position)
def write_position(self,positon):
if len(self.positions) >= 20:
self.writer.writerows(self.positions)
self.positions.clear()
self.positions.append(positon)
print(positon)
if __name__ == '__main__':
spider = LagouSpider()
spider.run()
selenium+chromdriver來抓取Boss直聘職位信息
import time
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import csv
from lxml import etree
class BossSpider(object):
driver_path = r'/home/kiosk/Desktop/chromedriver'
def __init__(self):
self.driver = webdriver.Chrome(executable_path=BossSpider.driver_path)
self.url = 'https://www.zhipin.com/job_detail/?query=python&city=100010000&industry=&position='
self.positions = []
self.fp = open('boss.csv','a',encoding='utf-8',newline='')
self.writer = csv.DictWriter(self.fp,['position_name','salary','city','work_years','education','desc','company_name'])
self.writer.writeheader()
def run(self):
self.driver.get(self.url)
while 1:
source = self.driver.page_source
# WebDriverWait(self.driver,timeout=10).until(
# EC.presence_of_all_elements_located((By.XPATH,"//a[contains(@class,'next')"))
# )
self.parse_list_page(source)
try:
next_btn = self.driver.find_element_by_xpath("//a[contains(@class,'next')]")
if 'disabled' in next_btn.get_attribute('class'):
break
else:
next_btn.click()
except:
print(source)
time.sleep(1)
def parse_list_page(self,source):
html = etree.HTML(source)
links = html.xpath("//div[@class='info-primary']//a[position()=1]/@href")
for link in links:
url = 'https://www.zhipin.com'+link
self.request_detail_page(url)
time.sleep(1)
def request_detail_page(self,url):
self.driver.execute_script("window.open('%s')"%url)
self.driver.switch_to.window(self.driver.window_handles[1])
WebDriverWait(self.driver,timeout=10).until(
EC.presence_of_all_elements_located((By.XPATH,"//div[@class='name']"))
)
source = self.driver.page_source
self.parse_detail_page(source)
self.driver.close()
self.driver.switch_to.window(self.driver.window_handles[0])
def parse_detail_page(self,source):
html = etree.HTML(source)
position_name = html.xpath("//div[@class='name']/h1/text()")[0]
salary = html.xpath("//div[@class='name']/span[@class='salary']/text()")[0]
city_workyears_education = html.xpath("//div[@class='info-primary']/p/text()")
city = city_workyears_education[0]
work_years = city_workyears_education[1]
education = city_workyears_education[2]
desc = ''.join(html.xpath("//div[@class='job-sec']/div[@class='text']/text()")).strip()
company_name = html.xpath("//div[@class='job-sec']/div[@class='name']/text()")[0]
position = {
'position_name':position_name,
'salary':salary,
'city':city,
'work_years':work_years,
'education':education,
'desc':desc,
'company_name':company_name
}
self.write_postion(position)
def write_postion(self,postion):
if len(self.positions) >= 10:
self.writer.writerows(self.positions)
self.positions.clear()
self.positions.append(postion)
print(postion)
if __name__=='__main__':
bossspider = BossSpider()
bossspider.run()
12306自動購票
from selenium.webdriver.common.by import By
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
class QiangpiaoSpider(object):
driver_path = r'/home/kiosk/Desktop/chromedriver'
def __init__(self):
self.driver = webdriver.Chrome(executable_path=QiangpiaoSpider.driver_path)
self.login_url = 'https://kyfw.12306.cn/otn/login/init'
self.index_url = 'https://kyfw.12306.cn/otn/view/index.html'
self.search_url = 'https://kyfw.12306.cn/otn/leftTicket/init'
self.passengers_url = 'https://kyfw.12306.cn/otn/confirmPassenger/initDc'
def wait_input(self):
self.from_station = input("出發地:")
self.to_station = input("目的地:")
# 時間格式必須是:yyyy-MM-dd的方式
self.depart_time = input("出發日期:")
self.passengers = input("乘客姓名(如有多個乘客,用英文逗號隔開:").split(",")
self.trains = input("車次(如果有多個車次,用英文逗號隔開:").split(",")
def _longin(self,url):
self.driver.get(url)
WebDriverWait(self.driver,timeout=1000).until(
EC.url_to_be(self.index_url)
)
print("登陸成功!")
def _order_ticket(self):
self.driver.get(self.search_url)
WebDriverWait(self.driver,1000).until(
EC.text_to_be_present_in_element_value(
(By.ID,"fromStationText"),self.from_station
)
)
WebDriverWait(self.driver, 1000).until(
EC.text_to_be_present_in_element_value(
(By.ID, "toStationText"), self.to_station
)
)
WebDriverWait(self.driver, 1000).until(
EC.text_to_be_present_in_element_value(
(By.ID, "train_date"), self.depart_time
)
)
WebDriverWait(self.driver,1000).until(
EC.element_to_be_clickable((By.ID,'query_ticket'))
)
searchBtn = self.driver.find_element_by_id("query_ticket")
searchBtn.click()
WebDriverWait(self.driver,1000).until(
EC.presence_of_all_elements_located((By.XPATH,".//tbody[@id='queryLeftTable']/tr"))
)
tr_list = self.driver.find_elements_by_xpath(".//tbody[@id='queryLeftTable']/tr[not(@datatran)]")
print(tr_list)
for tr in tr_list:
train_number = tr.find_element_by_class_name("number").text
if train_number in self.trains:
left_ticket = tr.find_element_by_xpath(".//td[8]").text
print(left_ticket)
if left_ticket == "有" or left_ticket.isdigit:
orderBtn = tr.find_element_by_class_name("btn72")
orderBtn.click()
WebDriverWait(self.driver,1000).until(
EC.url_to_be(self.passengers_url)
)
WebDriverWait(self.driver,1000).until(
EC.presence_of_all_elements_located((By.XPATH,".//ul[@id='normal_passenger_id']/li"))
)
passenger_labels = self.driver.find_elements_by_xpath(".//ul[@id='normal_passenger_id']/li/label")
for passenger_label in passenger_labels:
name = passenger_label.text
if name in self.passengers:
passenger_label.click()
submitBtn = self.driver.find_element_by_id("submitOrder_id")
submitBtn.click()
WebDriverWait(self.driver, 1000).until(
EC.presence_of_element_located((By.CLASS_NAME, "dhtmlx_wins_body_outer"))
)
WebDriverWait(self.driver,1000).until(
EC.presence_of_all_elements_located((By.ID,"qr_submit_id"))
)
confirmBtn = self.driver.find_element_by_id("qr_submit_id")
while confirmBtn:
confirmBtn.click()
confirmBtn = self.driver.find_element_by_id("qr_submit_id")
return
def run(self):
self.wait_input()
self._longin(self.login_url)
self._order_ticket()
if __name__=='__main__':
qiangpiao = QiangpiaoSpider()
qiangpiao.run()