selenium抓取动态网页数据

1.selenium抓取动态网页数据基础介绍

1.1 什么是AJAX

　　AJAX（Asynchronouse JavaScript And XML：异步JavaScript和XML）通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局部更新。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。

　　因为传统的网页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。

1.2 获取ajax数据的方式

　　法1：直接分析ajax调用的接口。然后通过代码请求这个接口。

　　法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。

1.3 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：

1.4 安装Selenium和chromedriver

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
```
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。

1.5 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)

1.6 selenium常用操作

#-*-coding = utf-8 -*-
from selenium import webdriver
from selenium.webdriver.common.by import By
# 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)

selenium常用操作

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

2.定位元素：
a)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')
b)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')
c)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')
d)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')
e)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')
f)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。

3.操作表单元素：
a)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()
b)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()

c)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()

d)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()

>>>>>>>待续