python爬動(dòng)態(tài)網(wǎng)站的方法

小編給大家分享一下python爬動(dòng)態(tài)網(wǎng)站的方法，相信大部分人都還不怎么了解，因此分享這邊文章給大家學(xué)習(xí)，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去學(xué)習(xí)方法吧！

python有許多庫(kù)可以讓我們很方便地編寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)，爬取某些頁(yè)面，獲得有價(jià)值的信息！但許多時(shí)候，爬蟲(chóng)取到的頁(yè)面僅僅是一個(gè)靜態(tài)的頁(yè)面，即網(wǎng)頁(yè) 的源代碼，就像在瀏覽器上的“查看網(wǎng)頁(yè)源代碼”一樣。一些動(dòng)態(tài)的東西如javascript腳本執(zhí)行后所產(chǎn)生的信息，是抓取不到的，這里暫且先給出這么一 些方案，可用于python爬取js執(zhí)行后輸出的信息。

1、兩種基本的解決方案

1.1 用dryscrape庫(kù)動(dòng)態(tài)抓取頁(yè)面

js腳本是通過(guò)瀏覽器來(lái)執(zhí)行并返回信息的，所以，抓取js執(zhí)行后的頁(yè)面，一個(gè)最直接的方式就是用python模擬瀏覽器的行為。WebKit 是一個(gè)開(kāi)源的瀏覽器引擎，python提供了許多庫(kù)可以調(diào)用這個(gè)引擎，dryscrape便是其中之一，它調(diào)用webkit引擎來(lái)處理包含js等的網(wǎng)頁(yè)！

import dryscrape
# 使用dryscrape庫(kù) 動(dòng)態(tài)抓取頁(yè)面
def get_url_dynamic(url):
    session_req=dryscrape.Session()
    session_req.visit(url) #請(qǐng)求頁(yè)面
    response=session_req.body() #網(wǎng)頁(yè)的文本
    #print(response)
    return response
get_text_line(get_url_dynamic(url)) #將輸出一條文本

這里對(duì)于其余包含js的網(wǎng)頁(yè)也是適用的！雖然可以滿足抓取動(dòng)態(tài)頁(yè)面的要求，但缺點(diǎn)還是很明顯的：慢！太慢了，其實(shí)想一想也合理，python調(diào)用 webkit請(qǐng)求頁(yè)面，而且等頁(yè)面加載完，載入js文件，讓js執(zhí)行，將執(zhí)行后的頁(yè)面返回，慢一點(diǎn)也是應(yīng)該的！除外還有很多庫(kù)可以調(diào)用 webkit：PythonWebkit，PyWebKitGit，Pygt（可以用它寫(xiě)個(gè)瀏覽器），pyjamas等等，聽(tīng)說(shuō)它們也可以實(shí)現(xiàn)相同的功能！

1.2 selenium web測(cè)試框架

selenium是一個(gè)web測(cè)試框架，它允許調(diào)用本地的瀏覽器引擎發(fā)送網(wǎng)頁(yè)請(qǐng)求，所以，它同樣可以實(shí)現(xiàn)抓取頁(yè)面的要求。

# 使用 selenium webdriver 可行，但會(huì)實(shí)時(shí)打開(kāi)瀏覽器窗口

def get_url_dynamic2(url):
    driver=webdriver.Firefox() #調(diào)用本地的火狐瀏覽器，Chrom 甚至 Ie 也可以的
    driver.get(url) #請(qǐng)求頁(yè)面，會(huì)打開(kāi)一個(gè)瀏覽器窗口
    html_text=driver.page_source
    driver.quit()
    #print html_text
    return html_text
get_text_line(get_url_dynamic2(url)) #將輸出一條文本

這也不失為一條臨時(shí)的解決方案！與selenium類似的框架還有一個(gè)windmill，感覺(jué)稍復(fù)雜一些，就不再贅述！

2、selenium的安裝與使用

2.1 selenium的安裝

在Ubuntu上安裝可以直接使用pip install selenium。由于以下原因：

1. selenium 3.x開(kāi)始，webdriver/firefox/webdriver.py的__init__中，executable_path="geckodriver"；而2.x是executable_path="wires"

2. firefox 47以上版本，需要下載第三方driver，即geckodriver

還需要一些特殊操作：

1. 下載 geckodriverckod 地址： 

mozilla/geckodriver

2. 解壓后將geckodriverckod 存放至 /usr/local/bin/ 路徑下即可：

sudo mv ～/Downloads/geckodriver /usr/local/bin/

2.2 selenium的使用

1. 運(yùn)行報(bào)錯(cuò)：

driver = webdriver.chrome()
TypeError: 'module' object is not callable

解決方案：瀏覽器的名稱需要大寫(xiě)Chrome和Firefox，Ie

2. 通過(guò)

content = driver.find_element_by_class_name('content')

來(lái)定位元素時(shí)，該方法返回的是FirefoxWebElement，想要獲取包含的值時(shí)，可以通過(guò)

value = content.text

以上是python爬動(dòng)態(tài)網(wǎng)站的方法的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！