【Python爬虫系列教程 26-100】小姐姐教大家通过Selenium获取ajax数据的方式，从此动态网页并不可怕

文章目录

什么是AJAX

AJAX（Asynchronouse JavaScript And XML）异步JavaScript和XML。过在后台与服务器进行少量数据交换，Ajax 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下，对网页的某部分进行更新。

传统的网页（不使用Ajax）如果需要更新内容，必须重载整个网页页面。因为传统的在传输数据格式方面，使用的是XML语法。因此叫做AJAX，其实现在数据交互基本上都是使用JSON。使用AJAX加载的数据，即使使用了JS，将数据渲染到了浏览器中，在右键->查看网页源代码还是不能看到通过ajax加载的数据，只能看到使用这个url加载的html代码。

获取ajax数据的方式

1.直接分析ajax调用的接口。然后通过代码请求这个接口。
2.使用Selenium+chromedriver模拟浏览器行为获取数据。

方式	优点	缺点
分析接口	直接可以请求到数据。不需要做一些解析工作。代码量少，性能高。	分析接口比较复杂，特别是一些通过js混淆的接口，要有一定的js功底。容易被发现是爬虫。
selenium	直接模拟浏览器的行为。浏览器能请求到的，使用selenium也能请求到。爬虫更稳定。	代码量多。性能低。

Selenium+chromedriver获取动态数据

Selenium相当于是一个机器人。可以模拟人类在浏览器上的一些行为，自动处理浏览器上的一些行为，比如点击，填充数据，删除cookie等。
chromedriver是一个驱动Chrome浏览器的驱动程序，使用他才可以驱动浏览器。

当然针对不同的浏览器有不同的driver。以下列出了不同浏览器及其对应的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/

安装Selenium和chromedriver：

1.安装Selenium：Selenium有很多语言的版本，有java、ruby、python等。我们下载python版本的就可以了。

   `pip install selenium   `

2.安装chromedriver：下载完成后，放到不需要权限的纯英文目录下就可以了。

我的是版本：87.0.4280.88

Chromedriver下载地址：https://chromedriver.storage.googleapis.com/index.html

下载完成，放到对应的目录下就可以了

快速入门

现在以一个简单的获取百度首页的例子来讲下Selenium和chromedriver如何快速入门：

from selenium import webdriver

# chromedriver的绝对路径
driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'

# 初始化一个driver，并且指定chromedriver的路径
driver = webdriver.Chrome(executable_path=driver_path)
# 请求网页
driver.get("https://www.baidu.com/")
# 通过page_source获取网页源代码
print(driver.page_source)

在这里插入图片描述

关闭页面：

driver.close()：关闭当前页面。
driver.quit()：退出整个浏览器。

下面代码都是基于百度的

定位元素：

find_element_by_id：根据id来查找某个元素。等价于：
submitTag = driver.find_element_by_id(‘su’)
submitTag1 = driver.find_element(By.ID,‘su’)
find_element_by_class_name：根据类名查找元素。等价于：
submitTag = driver.find_element_by_class_name(‘su’)
submitTag1 = driver.find_element(By.CLASS_NAME,‘su’)
find_element_by_name：根据name属性的值来查找元素。等价于：
submitTag = driver.find_element_by_name(‘email’)
submitTag1 = driver.find_element(By.NAME,‘email’)
find_element_by_tag_name：根据标签名来查找元素。等价于：
submitTag = driver.find_element_by_tag_name(‘div’)
submitTag1 = driver.find_element(By.TAG_NAME,‘div’)
find_element_by_xpath：根据xpath语法来获取元素。等价于：
submitTag = driver.find_element_by_xpath(’//div’)
submitTag1 = driver.find_element(By.XPATH,’//div’)
find_element_by_css_selector：根据css选择器选择元素。等价于：
submitTag = driver.find_element_by_css_selector(’//div’)
submitTag1 = driver.find_element(By.CSS_SELECTOR,’//div’)

要注意，find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。

操作表单元素：

操作输入框：分为两步。第一步：找到这个元素。第二步：使用send_keys(value)，将数据填充进去。示例代码如下：

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

使用clear方法可以清除输入框中的内容。示例代码如下：
inputTag.clear()

操作checkbox：因为要选中checkbox标签，在网页中是通过鼠标点击的。因此想要选中checkbox标签，那么先选中这个标签，然后执行click事件。示例代码如下：

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

选择select：select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中，创建这个对象。以后就可以使用这个对象进行选择了。示例代码如下：

from selenium.webdriver.support.ui import Select   
 #选中这个标签，然后使用Select创建对象   
 selectTag = Select(driver.find_element_by_name("jumpMenu"))   
 #根据索引选择   
 selectTag.select_by_index(1)   
 #根据值选择   
 selectTag.select_by_value("http://www.95yueba.com")   
 #根据可视的文本选择   
 selectTag.select_by_visible_text("95秀客户端")   
 #取消选中所有选项   
 selectTag.deselect_all()

操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。示例代码如下：

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

行为链：

有时候在页面中的操作可能要有很多步，那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件

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()

还有更多的鼠标相关的操作。

click_and_hold(element)：点击但不松开鼠标。
context_click(element)：右键点击。
double_click(element)：双击。更多方法请参考：http://selenium-python.readthedocs.io/api.html

Cookie操作:

1.获取所有的cookie：

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

2.根据cookie的key获取value：

 value = driver.get_cookie(key)

3.删除所有的cookie：

 driver.delete_all_cookies()

4.删除某个cookie：

 driver.delete_cookie(key)

页面等待：

现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。为了解决这个问题。所以 Selenium 提供了两种等待方式：一种是隐式等待、一种是显式等待。

隐式等待

隐式等待：调用driver.implicitly_wait。那么在获取不可用的元素之前，会先等待10秒中的时间。示例代码如下：

driver = webdriver.Chrome(executable_path=driver_path)   
driver.implicitly_wait(10)   
// 请求网页   
driver.get("https://www.douban.com/")

显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。示例代码如下：

 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()   
一些其他的等待条件：   
   
presence_of_element_located：某个元素已经加载完毕了。   
presence_of_all_emement_located：网页中所有满足条件的元素都加载完毕了。   
element_to_be_cliable：某个元素是可以点击了。

更多条件请参考：http://selenium-python.readthedocs.io/waits.html

隐式等待

隐式等待：调用driver.implicitly_wait。那么在获取不可用的元素之前，会先等待10秒中的时间。示例代码如下：

driver = webdriver.Chrome(executable_path=driver_path)
driver.implicitly_wait(10)
# 请求网页
driver.get("https://www.douban.com/")

显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。示例代码如下：

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"))
)

切换页面：

有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。selenium提供了一个叫做switch_to_window来进行切换，具体切换到哪个页面，可以从driver.window_handles中找到。示例代码如下：

# 打开一个新的页面(借助JavaScript语句)
self.driver.execute_script("window.open('"+url+"')")
# 切换到这个新的页面中
self.driver.switch_to_window(self.driver.window_handles[1])


# 页面切换

from selenium import webdriver

driver_path = r"G:\ProgramApp\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get('https://www.baidu.com/')

#### 借助JavaScript语句打开一个新的页面
driver.execute_script("window.open('https://www.douban.com/')")   #JavaScript语句
print(driver.window_handles)

#### 切换到新的页面中
driver.switch_to_window(driver.window_handles[1])
print(driver.current_url)
print(driver.page_source)

# 虽然在窗口中切换到了新的页面，但是driveer中还没有切换
# 如果想要在代码中切换到新的页面，并且做一下爬虫
# 那么应该使用driver.switch_to_window来切换到指定的窗口
# 从driver.window_handles中取出具体第几个窗口
# driver.window_handles是一个列表，里面装的都是窗口句柄
# 它会按照打开页面的顺序来存储窗口的句柄# 页面切换

from selenium import webdriver

driver_path = r"G:\ProgramApp\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get('https://www.baidu.com/')

#### 借助JavaScript语句打开一个新的页面
driver.execute_script("window.open('https://www.douban.com/')")   #JavaScript语句
print(driver.window_handles)

#### 切换到新的页面中
driver.switch_to_window(driver.window_handles[1])
print(driver.current_url)
print(driver.page_source)

# 虽然在窗口中切换到了新的页面，但是driveer中还没有切换
# 如果想要在代码中切换到新的页面，并且做一下爬虫
# 那么应该使用driver.switch_to_window来切换到指定的窗口
# 从driver.window_handles中取出具体第几个窗口
# driver.window_handles是一个列表，里面装的都是

设置代理ip：

有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip，不同的浏览器有不同的实现方式。这里以Chrome浏览器为例来讲解：

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类是每个获取出来的元素的所属类。
有一些常用的属性：

get_attribute：这个标签的某个属性的值。
screentshot：获取当前页面的截图。这个方法只能在driver上使用。
driver的对象类，也是继承自WebElement。
更多请阅读相关源代码。

更多教程请参考：http://selenium-python.readthedocs.io/installation.html#introduction