282 lines
15 KiB
Markdown
282 lines
15 KiB
Markdown
## 第38课：抓取网页动态内容
|
||
|
||
根据权威机构发布的全球互联网可访问性审计报告，全球约有四分之三的网站其内容或部分内容是通过JavaScript动态生成的，这就意味着在浏览器窗口中“查看网页源代码”时无法在HTML代码中找到这些内容，也就是说我们之前用的抓取数据的方式无法正常运转了。解决这样的问题基本上有两种方案，一是获取提供动态内容的数据接口，这种方式也适用于抓取手机 App 的数据；另一种是通过自动化测试工具 Selenium 运行浏览器获取渲染后的动态内容。对于第一种方案，我们可以使用浏览器的“开发者工具”或者更为专业的抓包工具（如：Charles、Fiddler、Wireshark等）来获取到数据接口，后续的操作跟上一个章节中讲解的获取“360图片”网站的数据是一样的，这里我们不再进行赘述。这一章我们重点讲解如何使用自动化测试工具 Selenium 来获取网站的动态内容。
|
||
|
||
### Selenium 介绍
|
||
|
||
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行为，最终帮助爬虫开发者获取到网页的动态内容。简单的说，只要我们在浏览器窗口中能够看到的内容，都可以使用 Selenium 获取到，对于那些使用了 JavaScript 动态渲染技术的网站，Selenium 会是一个重要的选择。下面，我们还是以 Chrome 浏览器为例，来讲解 Selenium 的用法，大家需要先安装 Chrome 浏览器并下载它的驱动。Chrome 浏览器的驱动程序可以在[ChromeDriver官网](https://chromedriver.chromium.org/downloads)进行下载，驱动的版本要跟浏览器的版本对应，如果没有完全对应的版本，就选择版本代号最为接近的版本。
|
||
|
||
<img src="https://github.com/jackfrued/mypic/raw/master/20220310134558.png" style="zoom: 35%">
|
||
|
||
### 使用Selenium
|
||
|
||
我们可以先通过`pip`来安装 Selenium，命令如下所示。
|
||
|
||
```Shell
|
||
pip install selenium
|
||
```
|
||
|
||
#### 加载页面
|
||
|
||
接下来，我们通过下面的代码驱动 Chrome 浏览器打开百度。
|
||
|
||
```Python
|
||
from selenium import webdriver
|
||
|
||
# 创建Chrome浏览器对象
|
||
browser = webdriver.Chrome()
|
||
# 加载指定的页面
|
||
browser.get('https://www.baidu.com/')
|
||
```
|
||
|
||
如果不愿意使用 Chrome 浏览器，也可以修改上面的代码操控其他浏览器，只需创建对应的浏览器对象（如 Firefox、Safari 等）即可。运行上面的程序，如果看到如下所示的错误提示，那是说明我们还没有将 Chrome 浏览器的驱动添加到 PATH 环境变量中，也没有在程序中指定 Chrome 浏览器驱动所在的位置。
|
||
|
||
```Shell
|
||
selenium.common.exceptions.WebDriverException: Message: 'chromedriver' executable needs to be in PATH. Please see https://sites.google.com/a/chromium.org/chromedriver/home
|
||
```
|
||
|
||
解决这个问题的办法有三种：
|
||
|
||
1. 将下载的 ChromeDriver 放到已有的 PATH 环境变量下，建议直接跟 Python 解释器放在同一个目录，因为之前安装 Python 的时候我们已经将 Python 解释器的路径放到 PATH 环境变量中了。
|
||
|
||
2. 将 ChromeDriver 放到项目虚拟环境下的 `bin` 文件夹中（Windows 系统对应的目录是 `Scripts`），这样 ChromeDriver 就跟虚拟环境下的 Python 解释器在同一个位置，肯定是能够找到的。
|
||
|
||
3. 修改上面的代码，在创建 Chrome 对象时，通过`service`参数配置`Service`对象，并通过创建`Service`对象的`executable_path`参数指定 ChromeDriver 所在的位置，如下所示：
|
||
|
||
```Python
|
||
from selenium import webdriver
|
||
from selenium.webdriver.chrome.service import Service
|
||
|
||
browser = webdriver.Chrome(service=Service(executable_path='venv/bin/chromedriver'))
|
||
browser.get('https://www.baidu.com/')
|
||
```
|
||
|
||
#### 查找元素和模拟用户行为
|
||
|
||
接下来，我们可以尝试模拟用户在百度首页的文本框输入搜索关键字并点击“百度一下”按钮。在完成页面加载后，可以通过`Chrome`对象的`find_element`和`find_elements`方法来获取页面元素，Selenium 支持多种获取元素的方式，包括：CSS 选择器、XPath、元素名字（标签名）、元素 ID、类名等，前者可以获取单个页面元素（`WebElement`对象），后者可以获取多个页面元素构成的列表。获取到`WebElement`对象以后，可以通过`send_keys`来模拟用户输入行为，可以通过`click`来模拟用户点击操作，代码如下所示。
|
||
|
||
```Python
|
||
from selenium import webdriver
|
||
from selenium.webdriver.common.by import By
|
||
|
||
browser = webdriver.Chrome()
|
||
browser.get('https://www.baidu.com/')
|
||
# 通过元素ID获取元素
|
||
kw_input = browser.find_element(By.ID, 'kw')
|
||
# 模拟用户输入行为
|
||
kw_input.send_keys('Python')
|
||
# 通过CSS选择器获取元素
|
||
su_button = browser.find_element(By.CSS_SELECTOR, '#su')
|
||
# 模拟用户点击行为
|
||
su_button.click()
|
||
```
|
||
|
||
如果要执行一个系列动作，例如模拟拖拽操作，可以创建`ActionChains`对象，有兴趣的读者可以自行研究。
|
||
|
||
#### 隐式等待和显式等待
|
||
|
||
这里还有一个细节需要大家知道，网页上的元素可能是动态生成的，在我们使用`find_element`或`find_elements`方法获取的时候，可能还没有完成渲染，这时会引发`NoSuchElementException`错误。为了解决这个问题，我们可以使用隐式等待的方式，通过设置等待时间让浏览器完成对页面元素的渲染。除此之外，我们还可以使用显示等待，通过创建`WebDriverWait`对象，并设置等待时间和条件，当条件没有满足时，我们可以先等待再尝试进行后续的操作，具体的代码如下所示。
|
||
|
||
```Python
|
||
from selenium import webdriver
|
||
from selenium.webdriver.common.by import By
|
||
from selenium.webdriver.support import expected_conditions
|
||
from selenium.webdriver.support.wait import WebDriverWait
|
||
|
||
browser = webdriver.Chrome()
|
||
# 设置浏览器窗口大小
|
||
browser.set_window_size(1200, 800)
|
||
browser.get('https://www.baidu.com/')
|
||
# 设置隐式等待时间为10秒
|
||
browser.implicitly_wait(10)
|
||
kw_input = browser.find_element(By.ID, 'kw')
|
||
kw_input.send_keys('Python')
|
||
su_button = browser.find_element(By.CSS_SELECTOR, '#su')
|
||
su_button.click()
|
||
# 创建显示等待对象
|
||
wait_obj = WebDriverWait(browser, 10)
|
||
# 设置等待条件（等搜索结果的div出现）
|
||
wait_obj.until(
|
||
expected_conditions.presence_of_element_located(
|
||
(By.CSS_SELECTOR, '#content_left')
|
||
)
|
||
)
|
||
# 截屏
|
||
browser.get_screenshot_as_file('python_result.png')
|
||
```
|
||
|
||
上面设置的等待条件`presence_of_element_located`表示等待指定元素出现，下面的表格列出了常用的等待条件及其含义。
|
||
|
||
| 等待条件 | 具体含义 |
|
||
| ---------------------------------------- | ------------------------------------- |
|
||
| `title_is / title_contains` | 标题是指定的内容 / 标题包含指定的内容 |
|
||
| `visibility_of` | 元素可见 |
|
||
| `presence_of_element_located` | 定位的元素加载完成 |
|
||
| `visibility_of_element_located` | 定位的元素变得可见 |
|
||
| `invisibility_of_element_located` | 定位的元素变得不可见 |
|
||
| `presence_of_all_elements_located` | 定位的所有元素加载完成 |
|
||
| `text_to_be_present_in_element` | 元素包含指定的内容 |
|
||
| `text_to_be_present_in_element_value` | 元素的`value`属性包含指定的内容 |
|
||
| `frame_to_be_available_and_switch_to_it` | 载入并切换到指定的内部窗口 |
|
||
| `element_to_be_clickable` | 元素可点击 |
|
||
| `element_to_be_selected` | 元素被选中 |
|
||
| `element_located_to_be_selected` | 定位的元素被选中 |
|
||
| `alert_is_present` | 出现 Alert 弹窗 |
|
||
|
||
#### 执行JavaScript代码
|
||
|
||
对于使用瀑布式加载的页面，如果希望在浏览器窗口中加载更多的内容，可以通过浏览器对象的`execute_scripts`方法执行 JavaScript 代码来实现。对于一些高级的爬取操作，也很有可能会用到类似的操作，如果你的爬虫代码需要 JavaScript 的支持，建议先对 JavaScript 进行适当的了解，尤其是 JavaScript 中的 BOM 和 DOM 操作。我们在上面的代码中截屏之前加入下面的代码，这样就可以利用 JavaScript 将网页滚到最下方。
|
||
|
||
```Python
|
||
# 执行JavaScript代码
|
||
browser.execute_script('document.documentElement.scrollTop = document.documentElement.scrollHeight')
|
||
```
|
||
|
||
#### Selenium反爬的破解
|
||
|
||
有一些网站专门针对 Selenium 设置了反爬措施，因为使用 Selenium 驱动的浏览器，在控制台中可以看到如下所示的`webdriver`属性值为`true`，如果要绕过这项检查，可以在加载页面之前，先通过执行 JavaScript 代码将其修改为`undefined`。
|
||
|
||
<img src="https://github.com/jackfrued/mypic/raw/master/20220310154246.png" style="zoom:50%">
|
||
|
||
另一方面，我们还可以将浏览器窗口上的“Chrome正受到自动测试软件的控制”隐藏掉，完整的代码如下所示。
|
||
|
||
```Python
|
||
# 创建Chrome参数对象
|
||
options = webdriver.ChromeOptions()
|
||
# 添加试验性参数
|
||
options.add_experimental_option('excludeSwitches', ['enable-automation'])
|
||
options.add_experimental_option('useAutomationExtension', False)
|
||
# 创建Chrome浏览器对象并传入参数
|
||
browser = webdriver.Chrome(options=options)
|
||
# 执行Chrome开发者协议命令（在加载页面时执行指定的JavaScript代码）
|
||
browser.execute_cdp_cmd(
|
||
'Page.addScriptToEvaluateOnNewDocument',
|
||
{'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'}
|
||
)
|
||
browser.set_window_size(1200, 800)
|
||
browser.get('https://www.baidu.com/')
|
||
```
|
||
|
||
#### 无头浏览器
|
||
|
||
很多时候，我们在爬取数据时并不需要看到浏览器窗口，只要有 Chrome 浏览器以及对应的驱动程序，我们的爬虫就能够运转起来。如果不想看到浏览器窗口，我们可以通过下面的方式设置使用无头浏览器。
|
||
|
||
```Python
|
||
options = webdriver.ChromeOptions()
|
||
options.add_argument('--headless')
|
||
browser = webdriver.Chrome(options=options)
|
||
```
|
||
|
||
### API参考
|
||
|
||
Selenium 相关的知识还有很多，我们在此就不一一赘述了，下面为大家罗列一些浏览器对象和`WebElement`对象常用的属性和方法。具体的内容大家还可以参考 Selenium [官方文档的中文翻译](https://selenium-python-zh.readthedocs.io/en/latest/index.html)。
|
||
|
||
#### 浏览器对象
|
||
|
||
表1. 常用属性
|
||
|
||
| 属性名 | 描述 |
|
||
| ----------------------- | -------------------------------- |
|
||
| `current_url` | 当前页面的URL |
|
||
| `current_window_handle` | 当前窗口的句柄（引用） |
|
||
| `name` | 浏览器的名称 |
|
||
| `orientation` | 当前设备的方向（横屏、竖屏） |
|
||
| `page_source` | 当前页面的源代码（包括动态内容） |
|
||
| `title` | 当前页面的标题 |
|
||
| `window_handles` | 浏览器打开的所有窗口的句柄 |
|
||
|
||
表2. 常用方法
|
||
|
||
| 方法名 | 描述 |
|
||
| -------------------------------------- | ----------------------------------- |
|
||
| `back` / `forward` | 在浏览历史记录中后退/前进 |
|
||
| `close` / `quit` | 关闭当前浏览器窗口 / 退出浏览器实例 |
|
||
| `get` | 加载指定 URL 的页面到浏览器中 |
|
||
| `maximize_window` | 将浏览器窗口最大化 |
|
||
| `refresh` | 刷新当前页面 |
|
||
| `set_page_load_timeout` | 设置页面加载超时时间 |
|
||
| `set_script_timeout` | 设置 JavaScript 执行超时时间 |
|
||
| `implicit_wait` | 设置等待元素被找到或目标指令完成 |
|
||
| `get_cookie` / `get_cookies` | 获取指定的Cookie / 获取所有Cookie |
|
||
| `add_cookie` | 添加 Cookie 信息 |
|
||
| `delete_cookie` / `delete_all_cookies` | 删除指定的 Cookie / 删除所有 Cookie |
|
||
| `find_element` / `find_elements` | 查找单个元素 / 查找一系列元素 |
|
||
|
||
#### WebElement对象
|
||
|
||
表1. WebElement常用属性
|
||
|
||
| 属性名 | 描述 |
|
||
| ---------- | -------------- |
|
||
| `location` | 元素的位置 |
|
||
| `size` | 元素的尺寸 |
|
||
| `text` | 元素的文本内容 |
|
||
| `id` | 元素的 ID |
|
||
| `tag_name` | 元素的标签名 |
|
||
|
||
表2. 常用方法
|
||
|
||
| 方法名 | 描述 |
|
||
| -------------------------------- | ------------------------------------ |
|
||
| `clear` | 清空文本框或文本域中的内容 |
|
||
| `click` | 点击元素 |
|
||
| `get_attribute` | 获取元素的属性值 |
|
||
| `is_displayed` | 判断元素对于用户是否可见 |
|
||
| `is_enabled` | 判断元素是否处于可用状态 |
|
||
| `is_selected` | 判断元素（单选框和复选框）是否被选中 |
|
||
| `send_keys` | 模拟输入文本 |
|
||
| `submit` | 提交表单 |
|
||
| `value_of_css_property` | 获取指定的CSS属性值 |
|
||
| `find_element` / `find_elements` | 获取单个子元素 / 获取一系列子元素 |
|
||
| `screenshot` | 为元素生成快照 |
|
||
|
||
### 简单案例
|
||
|
||
下面的例子演示了如何使用 Selenium 从“360图片”网站搜索和下载图片。
|
||
|
||
```Python
|
||
import os
|
||
import time
|
||
from concurrent.futures import ThreadPoolExecutor
|
||
|
||
import requests
|
||
from selenium import webdriver
|
||
from selenium.webdriver.common.by import By
|
||
from selenium.webdriver.common.keys import Keys
|
||
|
||
DOWNLOAD_PATH = 'images/'
|
||
|
||
|
||
def download_picture(picture_url: str):
|
||
"""
|
||
下载保存图片
|
||
:param picture_url: 图片的URL
|
||
"""
|
||
filename = picture_url[picture_url.rfind('/') + 1:]
|
||
resp = requests.get(picture_url)
|
||
with open(os.path.join(DOWNLOAD_PATH, filename), 'wb') as file:
|
||
file.write(resp.content)
|
||
|
||
|
||
if not os.path.exists(DOWNLOAD_PATH):
|
||
os.makedirs(DOWNLOAD_PATH)
|
||
browser = webdriver.Chrome()
|
||
browser.get('https://image.so.com/z?ch=beauty')
|
||
browser.implicitly_wait(10)
|
||
kw_input = browser.find_element(By.CSS_SELECTOR, 'input[name=q]')
|
||
kw_input.send_keys('苍老师')
|
||
kw_input.send_keys(Keys.ENTER)
|
||
for _ in range(10):
|
||
browser.execute_script(
|
||
'document.documentElement.scrollTop = document.documentElement.scrollHeight'
|
||
)
|
||
time.sleep(1)
|
||
imgs = browser.find_elements(By.CSS_SELECTOR, 'div.waterfall img')
|
||
with ThreadPoolExecutor(max_workers=32) as pool:
|
||
for img in imgs:
|
||
pic_url = img.get_attribute('src')
|
||
pool.submit(download_picture, pic_url)
|
||
```
|
||
|
||
运行上面的代码，检查指定的目录下是否下载了根据关键词搜索到的图片。
|