数据之路

一、Ajax数据爬取

1.Ajax介绍

Ajax，全称为Asynchronous JavaScript and XML，即异步的JavaScript和XML。 它不是一门编程语言，而是利用JavaScript在保证页面不被刷新、页面链接不改变的情况下与服务器交换数据并更新部分网页的技术。发送Ajax请求到网页更新过程，简单分为以下3步：发送请求；解析内容；渲染网页。
Ajax具有特殊的请求类型，它叫作xhr。

2.Ajax数据爬取

# 首先，定义一个方法来获取每次请求的结果。 在请求时，page是一个可变参数，所以我们将它作为方法的参数传递进来，相关代码如下：
from  urllib.parse import  urlencode 
import  requests 
base url = 'https://m.weibo.cn/api/container/getlndex?' 
headers = { 
'Host':  'm.weibo.cn', 
'Referer＇：'https://m.weibo.cn/u/2830678474',
'User-Agent':'Mozilla/s.o (Macintosh;  Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML,  like Gecko) 
Chrome/58.0.3029.110 Safari/537.36','X-Requested-With ':'XMLHttpRequest',
} 
def get_page(page)':
params = { 
'type':'uid', 
'value':'2830678474', 
'containerid':'1076032830678474', 
'page': page 
}
url = base_url + urlencode(params) 
try: 
    response = requests.get(url, headers=headers) 
    if response.status_code == 200: 
    return response.json() 
except requests.ConnectionError as e: 
    print(' Error',  e.args)
    
# 随后，我们需要定义一个解析方法，用来从结果中提取想要的信息，比如这次想保存微博的id、正文、赞数、 评论数和转发数这几个内容，  那么可以先遍历cards，然后获取mblog 中的各个信息，赋值为一个新的字典返回即可：
from  pyquery import  PyQuery as pq 
def parse _page (j son): 
    if json: 
    items  = j son. get(' data ') .get('cards ') 
    for item  in  items: 
        item = item.get('mblog') 
        weibo = {} 
        weibo[ 'id'] = item.get('id') 
        weibo['text'] = pq(item.get('text')). text() 
        weibo['attitudes']  = item.get('attitudes_count') 
        weibo [ 'comments '] = item.get('comments_count') 
        weibo['reposts'] = item.get('reposts_count') 
        yield weibo

# 最后，遍历一下page，一共10页，将提取到的结果打印输出即可：
if name ==  'main': 
    for page in range(l, 11): 
        json = get_page(page) 
        results = parse_page(json) 
    for result in results: 
        print(result)

# 加一个方法将结果保存到MongoDB数据库：
from  pymongo import MongoClient 
client = MongoClient () 
db = client [ 'weibo' ] 
collection = db['weibo']
def save_to_mongo(result):
    if collection.insert(result):
        print('save to Mongo')

二、Selenium库

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动作，如点击、下拉等操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见即可爬。

1.声明浏览器对象

from  selenium import webdriver 
browser = webdri ver. Chrome() 
browser = webdriver. Firefox() 
browser = webdri ver. Edge() 
browser = webdriver. PhantomJS() 
browser= webdriver.Safari() 

# 完成浏览器对象初始化并将其赋值为browser 对象。调用 browser对象，让其执行各个动作以模拟浏览器操作。

2.访问页面

from  selenium import webdnver 
browser = webdriver.Chrome() 
browser. get （’https://www.taobao.com’ ）
print(browser.page_source) 
browser. close() 

# 用get（）方法来请求网页，参数传入链接URL即可。 

3.查找节点

# 单个节点
find_element_by_id
find_element_by_name
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
Selenium提供通用方法find_element()，它需要传入两个参数： 查找方式By和值。find_element(By.ID,id)
from selenium import webdriver
from selenium.webdriver.common.by import By
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element(By.ID,'q')
print(input_first)
browser.close()

# 多个节点
要查找所有满足条件的节点，需要用find_elements（）这样的方法

4.节点交互

Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。 

from selenium import webdriver
import time 

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')

# send_keys()方法用于输入文字
input.send_keys('iPhone')
time.sleep(1)

# clear()方法用于清空文字
input.clear()
input.send_keys('iPad')
button = browser.find_element_by_class_name('btn-search')

# click()方法用于点击按钮
button.click()

5.动作链

如鼠标拖曳、 键盘按键等，它们没有特定的执行对象，这些动作用另一种方式来执行，那就是动作链。

- 实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处

# 首先，打开网页中的一个拖曳实例，然后依次选中要拖曳的节点和拖曳到的目标节点，接着声明ActionChains对象并将其赋值为actions变量，然后通过调用actions变量的drag_and_drop（）方法，  再调用perform（）方法执行动作，此时就完成了拖曳操作
from  selenium import  webdnver 
from  selenium.webdriver import  ActionChains 
browser = webdriver.Chrome() 
url ＝’http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url) 
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css selector('#draggable') 
target= browser.find_element_by_css_selector('#droppable' ) 
actions = ActionChains(browser) 
actions.drag_and_drop(source, target) 
actions.perform() 

6.JavaScript执行

对于某些操作，Selenium API并没有提供。 比如，下拉进度条，它可以直接模拟运行JavaScript，
此时使用execute script（）方法即可实现，代码如下：

from selenium import webdriver 
browser= webdriver.Chrome() 
browser. get (’https://www.zhihu.com/explore') 
browser.execute_script('window.scrollTo(o, document.body.scrollHeight)’) 
browser.execute_script('alert(”To Bottom”)') 

# 这里就利用execute script（）方法将进度条下拉到最底部，然后弹出alert提示框。

7.获取节点信息

- 获取属性

# 使用get_attribute（）方法来获取节点的属性
from  selenium import webdriver 
from  selenium.webdriver import  ActionChains 
browser = webdri ver. Chrome() 
url = 'https://www.zhihu.com/explore' 
browser. get ( url) 
logo= browser.find_element_by_id(’zh-top-link-logo’) 
print(logo) 
print(logo.get_attribute(’class' )) 

- 获取文本值

from  selenium import webdriver 
browser= webdriver.Chrome() 
url =’https://www.zhihu.com/explore’ 
browser. get(url) 
input = browser.find_element by class name('zu-top-add-question’) 
print(input.text) 

- 获取id、位置、标签名和大小

from. selenium import  webdnver 
browser = webdriver. Chrome() 
url ＝’https：/／www.zhihu.com/explore'
browser.get (url) 
input= browser.find_element_by_class_name(’zu-top-add-question') 
print(input.id)     　　 # 节点id
print(input.location)　　# 节点页面相对位置
print(input.tag_name)　　# 标签名称
print(input.size)    　　# 节点大小

8.Frame切换

网页中有一种节点叫作iframe，也就是子Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。 Selenium打开页面后，它默认是在父级Frame里面操作，而此时如果页面中还有子Frame，它是不能获取到子Frame里面的节点的。 这时就需要使用switch_to.frame（）方法来切换Frame。

import time 
from  selenium import  webdriver 
from  selenium.common.exceptions import  NoSuchElementException 
browser = webdriver.Chrome() 
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable' 
browser.get(url) 
browser.switch_to.frame('iframeresult’) 
try: 
　　logo= browser.find_element_by_class_name('logo') 
except NoSuchElementException: 
　　print(’NO  LOGO') 
browser.switch_to.parent_frame）
logo = browser. find_element_by_class_name（'logo'）
print(logo) 
print(logo.text) 

首先通过switch_to. frame（）方法切换到子Frame里面，然后尝试获取父级Frame 里的logo 节点（这是不能找到的），如果找不到的话，就会抛出NoSuchElementException异常，异常被捕捉之后，就会输出NO LOGO。 接下来，重新切换回父级Frame,然后再次重新获取节点，发现此时可以成功获取了。

- 隐式等待

使用隐式等待执行测试的时候，如果Selenium没有在DOM中找到节点，将继续等待，超出设定时间后，则抛什1找不到节点的异常。 换句话说，当查找节点而节点并没有立即出现的时候，隐式等待将等待一段时间再查找DOM，默认的时间是0。

from  selenium import webdriver 
browser = webdriver.Chrome() 
browser.implicitly_wait (10) 
browser.get(’https://www.zhihu.com/explore' ) 
input = browser. find_element_by_class_name(’zu-top-add-question’) 
print(input) 

- 显式等待

隐式等中认为固定了等待时间，然而页面的加载时间会受到网络条件的影响。
显式等待方法，它指定要查找的节点，然后指定一个最长等待时间。 如果在规定时间内加载出这个节点，就返回查找的节点；如果到了规定时间依然没有加载出来，则抛出超时异常。

# 首先引入WebDriverWait这个对象，指定最长等待时间，然后调用它的until()方法，传入要等待条件expected_conditions。 比如，这里传入了presence_of_element_located这个条件，代表节  点出现的意思，其参数是节点的定位元组，也就是ID为q的节点搜索框。
- 效果：在10秒内如果ID为q的节点（即搜索框）成功加载出来，就返回该节点；如果超过10秒还没有加载出来，就抛出异常。

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 
browser = webdriver.Chrome() 
browser.get(’https://www.taobao.com/’) 
wait = WebDriverWait(browser, 10) 
input = wait. until(EC. presence_of _element_located( (By. ID,’q’))) 
button = wait.until(EC.element to be clickable((By.CSS_SELECTOR,’.btn search'))) 
print(input, button) 

9.前进、后退

浏览器时都有前进和后退功能，Selenium中分别通过forward()、back()方法实现。

import time 
from  selenium import webdnver 
browser = webdriver.Chrome() 
browser. get (’https://www.baidu.com/’) 
browser.get('https://www.taobao.com/’) 
browser.get(’https://www.python.org/’) 
browser.back() 
time.sleep(l) 
browser. forward() 
browser. close() 

10.Cookies

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name':'name','domain':'www.zhihu.com','value':'germey'})
browser.delete_all_cookies()

11.选项卡管理

import  time 
from  selenium import  webdnver 
browser = webdriver. Chrome() 
browser.get(’https://www.baidu.com') 
browser.execute_script(’window. open()’) 
print(browser. window _handles) 
browser.switch_to_window(browser.window_handles[l]) 
browser.get(’https://www.taobao.com') 
time.sleep(l) 
browser.switch_to_window(browser.window_handles(0)) 
browser.get(’https://python.org')

12.异常处理

from  selenium import webdriver 
from  selenium.common.exceptions import  TimeoutException, NoSuchElementExcephon 
browser = webdriver.Chrome() 
try: 
　　browser.get('https://www.baidu.com’）
except TimeoutException: 
　　print(' Time Out') 
try: 
　　browser. find_element_by_id(' hello') 
except NoSuchElementException: 
　　print(’No Element’) 
finally:
　　browser.close() 

 三、Splash

Splash是一个JavaScript渲染服务，是一个带有HTTPAPI的轻量级浏览器，它对接了Python中的Twisted和QT库。 利用它，我们同样可以实现动态谊染页面的抓取。

• 异步方式处理多个网页渲染过程；

• 获取渲染后的页面的源代码或截图；

• 通过关闭图片渲染或者使用Adblock规则来加快页面渲染速度；

• 可执行特定的JavaScript脚本；

• 可通过Lua脚本来控制页面渲染过程；

• 获取渲染的详细过程并通过HAR( HTTP Archive ）格式呈现

1.Splash Lua脚本

Splash可以通过Lua脚本执行一系列渲染操作，这样我们就可以用Splash来模拟类似Chrome、PhantomJS的操作。

- 入口及返回值

function main(splash, args) 
    splash:go("http://www.baidu.com") 
    splash:wait(o.s) 
    local title = splash:evaljs(”document.title”) 
    return {title=title}
end 

- 异步处理

function main(splash, args) 
　　local example_urls = {"www.baidu.com”，”www.taobao.com”，”www.zhihu.com'’} 
　　local urls = args.urls or example_urls 
　　local results = {} 
　　for index,url in  ipairs(urls) do 
　　　　local ok, reason = splash:go(”http://”..url) 
　　　　if ok then 
　　　　　　splash:wait(2) 
　　　　　　results[url] = splash:png() 
　　　　end
　　end return results
end

2.Splash对象属性

- args

# 此属性可获取加载时配置的参数，如URL
function main(splash, args) 
    local url = args.url 
end

- js_enabled

# 此属性是Splash的JavaScript执行开关，可以将其配置为true或false来控制是否执行JavaScript代码，默认为true。 
function main(splash, args) 
    splash:go（”https：/／www.baidu.com”）
    splash.js_enabled = false 
    local title = splash:evaljs(”document.title") 
    return {title=title} 
end

- resource_timeout

# 此属性可以设置加载的超时时间，单位是秒。 如果设置为0或nil，代表不检测超时。 
function main(splash)
    splash.resource_timeout = 0.1
    assert(splash:go('https://www.taobao.com'))
    return splash:png()
end

- images_enabled

# 此属性可以设置图片是否加载，默认情况下是加载的。
function main(splash, args) 
    splash.images_enabled = false 
    assert(splash:go（’https://www.jd.com'))
    return {png=splash:png()}
end 

- plugins_enabled

# 此属性可以控制浏览器插件是否开启。 默认情况下，此属性是false，表示不开启。
splash.plugins_enabled = true/false 

- scroll_position

# 通过设置此属性，可以控制页面上下或左右滚动。 
function main(splash, args) 
    assert(splash:go('https://www.taobao.com’)) 
    splash.scroll_position = {y=400} 
    return {png=splash: png()} 
end 

3.Splash对象方法

go()                 # 用于请求某个链接,模拟GET和POST请求。
ok, reason =  splash#go{url, baseurl=nil, headers=nil, http_method="GET", body=nil,  formdata=nil}
baseurl是资源加载相对路径,headers是请求头,http_method默认GET,body发POST请求时的表单数据,formdata是POST时的表单数据

wait()                # 控制页面等待时间
jsfunc()              # 可以直接调用JavaScript定义的方法,但是所调用的方法需要用双中括号包围,这相当于实现了JavaScript方法到Lua脚本的转换。 
evaljs()              # 执行JavaScript代码并返回最后一条JavaScript语句的返回结果
runjs()               # 执行JavaScript代码,它与evaljs()的功能类似,但是更偏向于执行某些动作或声明某些方法。 
autoload()            # 设置每个页面访问时自动加载的对象
call_later()          # 通过设置定时任务和延迟时间来实现任务延时执行,井且可以在执行前通过cancel()重新执行定时任务。 
http_get()            # 模拟发送HTTP的GET请求
http_post()           # 用来模拟发送POST请求
set_content()         # 用来设置页面的内容
html()                # 用来获取网页的源代码
png()                 # 用来获取PNG格式的网页截图
jpeg()                # 用来获取JPEG格式的网页截图
har()                 # 用来获取页面加载过程
url()                 # 获取当前正在访问的URL
get_cookies()         # 获取当前页面的Cookies
add_cookies()         # 为当前页面添加Cookie
clear_cookies()       # 清除所有的Cookies
get_viewport_size()   # 获取当前浏览器页面的大小,即宽高
set_viewport_size()   # 设置当前浏览器页面的大小,即宽高
set_viewport_full()   # 设置浏览器全屏显示
set_user_agent()      # 设置浏览器的User-Agent
set_custom_headers()  # 设置请求头
select()              # 选中符合条件的第一个节点,如果有多个节点符合条件,则只会返回一个,其参数是css选择器
select_all()          # 选中所有符合条件的节点,其参数是css选择器
mouse_click()         # 模拟鼠标点击操作,传入的参数为坐标值x和y。此外,也可以直接选中某个节点,然后调用此方法

4.Splash API调用

render.html     # 此接口用于获取JavaScript渲染的页面的HTML代码，接口地址就是Splash的运行地址加此接口名称
import  requests 
url = 'http://localhost:8050/render.html?url=https://www.baidu.com' 
response = requests.get(url) 
print(response.text) 

render.pug      # 此接口可以获取网页截图,它返回的是PNG格式的图片二进制数据
import  requests 
url ＝'http://localhost:8050/render.png?url=https://www.jd.com&wait=S&width=lOOO&height=700'
response = requests.get(url) 
with open(’taobao.png’, 'wb ’) as f: 
    f.write(response.content) 

render.jpeg     # 此接口可以获取网页截图,它返回的是JPEG格式的图片二进制数据
render.bar      # 此接口用于获取页面加载的HAR数据
render.json     # 此接口包含了前面接口的所有功能，返回结果是JSON格式
execute         # 此接口可用于实现与Lua脚本的对接。

5.Splash负载均衡配置

用Splash做页面抓取时，如果爬取的量非常大，任务非常多，用一个Splash服务来处理的话，未免压力太大了，此时可以考虑搭建一个负载均衡器来把压力分散到各个服务器上。 这相当于多台机器多个服务共同参与任务的处理，可以减小单个Splash服务的压力。

第一步：配置Splash服务；第二步：配置负载均衡，选用任意一台带有公网IP的主机来配置负载均衡。首先，在这台主机上装好Nginx,然后修改Nginx的配置文件nginx.conf；第三步：配置认证，Splash是可以公开访问的，如果不想让其公开访问，还可以配置认证，这仍然借助于Nginx。可以在server的location字段中添加auth_basic和auth basic user_file字段；第四步：测试。

http {
    upstream splash { 
　　　　least_conn;      
　　　　server 41.159.27.223:8050; 
　　　　server 41.159. 27. 221: 8050; 
　　　　server 41.159. 27. 9: 8050: 
　　　　server 41.159 .117 .119: 8050; 
　　}
　　server { 
　　　　listen 8050; 
　　　　location / { 
　　　　　　proxy_pass http://splash; 
　　　　　　auth basic ”Restricted"; 
　　　　　　auth basic user_file /etc/nginx/conf.d/.htpasswd; 
　　　　　　}
　　}
}


import  requests 
from  urllib.parse import  quote 
import  re 
lua  = '''
　　function main(splash, args) 
　　local treat = require("treat'’) 
　　local response = splash:http_get(’'http://httpbin.org/get") 
　　return treat.as_string(response.body
end 
''' 
url = 'http://splash:8050/execute?lua_source=’+ quote(lua)  
response = requests.get(url, auth＝（'admin','admin’）） 
ip = re.search（'（＼d+.d+.d+.d+)', response.text).group(l)  
print(ip)

转载于:https://www.cnblogs.com/Iceredtea/p/11087551.html