selenium+chromdriver獲取AJAX數據

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')

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()

3. 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()

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()