爬虫抓取动态内容

一、简单动态页面爬取

　　我们之前进行的页面爬取工作都是基于静态的页面。但是现在的很多页面都采用了动态页面，这些动态页面又有百分之七十是由javascript写的，因此我们了解如何从javascript页面爬取信息就显得非常的重要。

　　先认识具体情况之前，我们需要先了解什么是ajax，ajax它的英文全称是asynchronous javascript and xml，是一种异步JavaScript和xml。我们可以通过ajax进行页面数据请求，它返回的数据格式是json类型的。

　　然后我们就可以根据页面的ajax格式进行数据爬取。以下是一个简单的页面爬取。

import json
from Chapter3 import download
import csv
def simpletest():
    '''
    it will write the date to the country.csv

    the json data has the attribute records, and the records has area, country and capital value
    :return:
    '''
    fileds = ('area', 'country', 'capital')
    writer = csv.writer(open("country.csv", "w"))
    writer.writerow(fileds)
    d = download.Downloader()
    html = d("http://example.webscraping.com/ajax/search.json?page=0&page_size=10&search_term=A")
    try:
        ajax = json.loads(html)
    except Exception as e:
        print str(e)
    else:
        for record in ajax['records']:
            row = [record[filed] for filed in fileds]
            writer.writerow(row)
if __name__ == "__main__":
    simpletest()

　　不知道是不是这个网站的问题，现在已经不能从上面的网址下载数据了，执行上面的程序，以下会是结果图：

 二、渲染动态页面

　　在开始之前呢，首先要先下载pyside，直接用 pip install pyside 命令行即可。

　　然后我们就可以利用PySide来进行数据爬取。

from PySide.QtWebKit import *
from PySide.QtGui import *
from PySide.QtCore import *
import lxml.html

def simpletest():
    '''
    get content of the div # result in http://example.webscraping.com/places/default/dynamic
    :return: content
    '''
    
    app = QApplication([])
    webview = QWebView()
    loop = QEventLoop()
    # finish the loop if we have finished load the html
    webview.loadFinished.connect(loop.quit)
    webview.load(QUrl("http://example.webscraping.com/places/default/dynamic"))
    loop.exec_()
    htmled = webview.page().mainFrame().toHtml()
    # get the special content
    tree = lxml.html.fromstring(htmled)
    return tree.cssselect('#result')[0].text_content()


content = simpletest()
print content

　　我们回顾简单动态页面爬取的内容，之前的那种方式不成功，我想主要的原因是我的网址写错了，所以学习了pyside之后，我们可以使用这种全新的方式进行数据爬取。以下是具体代码：

def getallcountry():
    '''
    open the html and set search term = a and page_size = 10
    and then click auto by javascript
    :return:
    '''
    app = QApplication([])
    webview = QWebView()
    loop = QEventLoop()
    # finish the loop if we have finished load the html
    webview.loadFinished.connect(loop.quit)
    webview.load(QUrl("http://example.webscraping.com/places/default/search"))
    loop.exec_()
    # show the webview
    webview.show()
    frame = webview.page().mainFrame()
    # set search text is b
    frame.findFirstElement('#search_term').setAttribute('value', 'b')
    # set page_size is 10
    frame.findFirstElement('#page_size option:checked').setPlainText('10')
    # click search button auto
    frame.findFirstElement('#search').evaluateJavaScript('this.click()')
    app.exec_()

　　以下是结果图：

　　上面的过程我们只是利用pyside能够在页面得到结果，但是还没有将数据爬取下来。因为ajax响应事件有一定的延迟，所以我们有以下三种方式可以进行数据爬取：

　　1、等待一定时间（低效）

　　2、重写QT的网络管理器，跟踪url请求的完成时间（不适用于客户端出问题的情况）

　　3、轮询页面，等待特定内容出现（检查时会浪费cpu时间）

　　总的来说，第三种方法是比较可靠并且方便的。以下是它的概念代码：它的主要思想在于while循环，如果没有找到elements，就不断的尝试。

　　

 　　为了将以上的几种方法变得更加具有通用性，我们可以把他们写在 一个类中。这个类包含的功能有：下载，获取html,找到相应的元素，设置属性值，设置文本值，点击，轮询页面，等待下载

from PySide.QtCore import *
from PySide.QtGui import *
from PySide.QtWebKit import *
import time
import sys

class BrowserRender(QWebView):
    def __init__(self, show=True):
        '''
        if the show is true then we can see webview
        :param show:
        '''
        self.app = QApplication(sys.argv)
        QWebView.__init__(self)
        if show:
            self.show()

    def download(self, url, timeout=60):
        '''
        download the url if timeout is false
        :param url: the download url
        :param timeout: the timeout time
        :return: html if not timeout
        '''
        loop = QEventLoop()
        timer = QTimer()
        timer.setSingleShot(True)
        timer.timeout.connect(loop.quit)
        self.loadFinished.connect(loop.quit)
        self.load(QUrl(url))
        timer.start(timeout*1000)
        loop.exec_()
        if timer.isActive():
            timer.stop()
            return self.html()
        else:
            print "Request time out "+url

    def html(self):
        '''
        shortcut to return the current html
        :return:
        '''
        return self.page().mainFrame().toHtml()

    def find(self, pattern):
        '''
        find all elements that match the pattern
        :param pattern:
        :return:
        '''
        return self.page().mainFrame().findAllElements(pattern)

    def attr(self, pattern, name, value):
        '''
        set attribute for matching pattern
        :param pattern:
        :param name:
        :param value:
        :return:
        '''
        for e in self.find(pattern):
            e.setAttribute(name, value)

    def text(self, pattern, value):
        '''
        set plaintext for matching pattern
        :param pattern:
        :param value:
        :return:
        '''
        for e in self.find(pattern):
            e.setPlainText(value)

    def click(self, pattern):
        '''
        click matching pattern
        :param pattern:
        :return:
        '''
        for e in self.find(pattern):
            e.evaluateJavaScript("this.click()")

    def wait_load(self, pattern, timeout=60):
        '''
        wait untill pattern is found and return matches
        :param pattern:
        :param timeout:
        :return:
        '''
        deadtiem = time.time() + timeout
        while time.time() < deadtiem:
            self.app.processEvents()
            matches = self.find(pattern)
            if matches:
                return matches
        print "wait load timed out"

br = BrowserRender()
br.download("http://example.webscraping.com/places/default/search")
br.attr('#search_term', 'value', '.')
br.text('#page_size option:checked', '1000')
br.click('#search')
elements = br.wait_load('#results a')
countries = [e.toPlainText().strip() for e in elements]
print countries

　　在调用的时候，一定要注意要把pattern写对，我就把#results a 写成了#result a，导致一直出现time out现象

 三、selenium

　　selenium 是一个简单的能够与页面交互的接口，它提供了使得浏览器自动化的API接口。selenium的使用非常的简单，它相当于已经把我们想要的函数都已经封装起来了，我们所需要的就是调用相应的函数。

　　以下是我们selenium来实现browsrender实现的内容。

from selenium import webdriver
def simpleuse():
    driver = webdriver.Chrome()
    driver.get("http://example.webscraping.com/places/default/search")
    driver.find_element_by_id("search_term").send_keys('.')
    js = "document.getElementById('page_size').options[1].text='1000'"
    driver.execute_script(js)
    driver.find_element_by_id('search').click()
    driver.implicitly_wait(30)
    links = driver.find_element_by_css_selector("#results a")
    countries = [link.text for link in links]
    print countries
　　 driver.close()

if __name__ == "__main__":
    simpleuse()

　　明明配置了chromedriver，但是它一直显示未在path中找到可执行文件：

　　这个问题还没解决，等待后续吧。

　　这个问题已经解决了，只需要去官网上下载对应版本的chromedriver.exe，然后将保存它的绝对路径加入 webdriver.chrome(绝对路径)即可。现在的代码变成如下：

from selenium import webdriver
def simpleuse():
    driver = webdriver.Chrome('E:chromedriverchromedriver.exe')
    driver.get("http://example.webscraping.com/places/default/search")
    driver.find_element_by_id("search_term").send_keys('.')
    js = "document.getElementById('page_size').options[1].text='1000'"
    driver.execute_script(js)
    driver.find_element_by_id('search').click()
    driver.implicitly_wait(30)
    links = driver.find_elements_by_css_selector("#results a")
    countries = [link.text for link in links]
    print countries
    driver.close()

if __name__ == "__main__":
    simpleuse()

四、小结

首先，先采用逆向工程分析页面，然后使用json即可对页面进行解析。然后呢，使用了pyside进行动态页面渲染，最后了为了简便写法使用了selenium。