动态网页数据获取 - -豪-

AJAX（Asynchronouse JavaScript And XML）异步JavaScript和XML，与后台服务器进行很少量的数据交换，AJAX可以使网页实现异步更新。

可以在不重新加载整个页面的情况下，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，必须重新加载整个页面，因为

传统的在网页在传输数据方面，使用的是XML语法。AJAX实现数据交互基本上都是使用JSON，使用AJAX加载数据即是使用JS，将数据渲染到浏览器

中，在“右键—>查看网页源代码”操作中，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。

JSON在线解析及格式化：https://www.json.cn。通过在线解析及格式化可以是JSON数据看起来更加舒服。

获取ajax数据的方式：

1.直接分析ajax调用的接口，然后通过代码求情接口；

2.使用Selenium+chromedriver模拟浏览器获取数据。

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

直接模拟浏览器行为，浏览器能请求到的，

使用selenium也能请求到。爬虫更加稳定

代码量多，性能低。 # 初始化一个driver，并且指定chromedriver的绝对路径 driver = webdriver.Chrome(executable_path= driver_path) # 请求网页 driver.get( ' https://baidu.com/ ' ) # 通过page_source获取网页源码 print (driver.page_source)

Selenium常用操作：

更多教程参考：

http://selenium-python.readthedocs.io/installation.html#introduction

关闭页面：

# 关闭当前页面
driver.close()

# 退出整个浏览器
driver.quit()

定位元素：

1,根据id来查找某个元素：

submitTag = driver.find_element_by_id('su')
submitTag1 = driver.find_element(By.ID, 'su')

2，根据类名查找元素：

submitTag = driver.find_element_by_class_name('su')
submitTag1 = driver.find_element(By.CLASS_NAME, 'su')

3.根据标签名来查找元素：

submitTag = driver.find_element_by_tag_name('div')
submitTag1 = driver.find_element(By.TAG_NAME, 'div')

4,根据标签属性的值来查找元素：

submitTag = driver.find_element_by_name('email')
submitTag1 = driver.find_element(By.NAME, 'email')

5，根据XPath语法来获取元素:

submitTag = driver.find_elements_by_xpath('//div')
submitTag1 = driver.find_element(By.XPATH, '//div')

6.根据CSS选择器选择元素：

submitTag = driver.find_elements_by_css_selector('//div')
submitTag1 = driver.find_element(By.CSS_SELECTOR, '//div')

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：

1，操作输入框：第一步：找到这个元素；第二步：使用send_key(value),将数据填充进去。

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

使用clear方法可以清楚输入框中的内容：

inputTag.clear（）

2.操作checkbox:checkbox标签在网页中是通过鼠标点击的。因此，先找到标签，然后执行click事件。

remembertag = driver.find_element_by_name('remenberMe')
remembertag.click()

3.选择select:select元素不能直接点击。因为点击后还需要选中元素。selenium专门为select标签提供了一个类selenium.webdriver.support.ui。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。

from selenium.webdriver.support.ui import Select
# 选中标签
select = Select(driver.find_element_by_name('name'))
# 根据索引进行选择
select.select_by_index(index)
# 根据可视化文本进行选择
select.select_by_visible_text("text")
# 根据值进行选择
select.select_by_value(value)
#取消选中的所有项
select.deselect_all()

4.操作按钮：操作按钮有很多种方式。比如：单击、右击、双击等。点击直接调用click函数即可。

element = driver.find_element_by_id("su")
element.click()

比如说：有时候在页面中的操作分为很多步，那么可以使用鼠标行为链类ActionChains来完成。比如：将鼠标移动到某个元素并执行点击事件。

from selenium.webdriver import ActionChains
inputTag = driver.find_element_by_id('kw')
submitTag =driver.find_element_by_id('su')
action = ActionChains(driver)
action.move_to_element(inputTag)
action.send_keys_to_element(inputTag,'python')
action.move_to_element(submitTag)
action.click(submitTag)
action.perform()

还有更多的鼠标相关操作：

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AJAX技术，这样程序便不能确定何时某个元素完全加载出来。如果实际页面等待时间过长导致某个dom元素还没有出来，但是你的代码直接使用了WebElement，那么就会抛出NullPointer的异常，为了解决这个问题，所以Selenium提供两种等待方式：一种是隐式等待；一种是显式等待。

1，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。

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

2，显式等待：显式等待是表明某个条件成立后才执行获取元素操作，也可以给等待的时间指定一个最大值，如果超过这个时间就会抛出一个异常。显式等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.webDriverWait来配合完成。

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()

3.一些其他的等待条件：

presence_of_element_located:某个元素已经加载完成。
presence_of_all_emement_located:网页中所有满足条件的元素都加载完毕。
element_to_be_cliable:某个元素是可以点击了。
更多条件参考：http://selenium-python.readthedocs.io/waits.html

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。selenium提供了一个叫做swith_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。

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

from selenium import webdriver
# chromedriver的绝对路径
driver_path = r'D:\edgedriver_win64\msedgedriver.exe'
#初始化一个driver，并且指定chromedriver的绝对路径
driver = webdriver.Chrome(executable_path=driver_path)
#请求网页
driver.get('https://baidu.com/')
driver.execute_script("window.open('https://baidu.com/)")
print(driver.window_handles)
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driver中还没有切换到。如果想要在代码中切换到新的页面，并且做一些爬虫。那么应该使用driver.switch_to_window来切换到指定的窗口。从driver.window_handlers中取出具体第几个窗口，driver.window_handlers是一个列表，会按照打开网页的顺序来存储窗口的句柄。

WebElement元素：
from selenium.webdriver.remote.webelement import WebElement类是每一个获取出来的元素的所属类。
有一些常用的属性：
1.get_attribute:这个标签的某个属性的值。
2.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，也是继承在WebElement。

设置代理IP：
频繁的爬取一些网页，服务器会发现你是爬虫后封掉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。以Chrome浏览器为列：

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')