Python爬虫 - 处理动态网站

在本章中，让无涯教程学习如何在动态网站上执行Web抓取示例。

动态网站示例

让无涯教程看一个动态网站的示例,了解为什么很难抓取，在这里将以从http://example.webscraping.com/places/default/search 述网页中抓取数据-

import re
import urllib.request
response=urllib.request.urlopen('http://example.webscraping.com/places/default/search')
html=response.read()
text=html.decode()
re.findall('(.*?)',text)

[ ]

上面的输出显示示例未能提取信息，因为尝试查找的<div>元素为空。

从动态网站收集数据

已经看到，由于数据是使用JavaScript动态加载的，因此抓取器无法从动态网站中抓取信息。在这种情况下，无涯教程可以使用以下两种技术从依赖JavaScript的动态网站抓取数据-

• 逆向JavaScript
• 渲染JavaScript

逆向JavaScript

称为逆向工程的过程将非常有用，它可以使无涯教程了解网页如何动态加载数据。

为此需要单击检查元素标签以获取指定的URL。接下来，将单击 NETWORK 标签，以查找对该网页发出的所有请求，包括search.json，其路径为/ajax 

import requests
url=requests.get('http://example.webscraping.com/ajax/search.json?page=0&page_size=10&search_term=a')
url.json() 

上面的脚本允许使用Python json方法访问JSON响应，同样，无涯教程可以下载原始字符串响应，也可以使用python的json.loads方法加载它，在以下Python脚本的帮助下进行此操作。基本上，通过搜索字母" a"然后迭代JSON响应的输出页面，可以抓取所有国家/地区。

import requests
import string
PAGE_SIZE=15
url='http://example.webscraping.com/ajax/' + 'search.json?page={}&page_size={}&search_term=a'
countries=set()
for letter in string.ascii_lowercase:
   print('Searching with %s' % letter)
   page=0
   while True:
   response=requests.get(url.format(page, PAGE_SIZE, letter))
   data=response.json()
   print('adding %d records from the page %d' %(len(data.get('records')),page))
   for record in data.get('records'):countries.add(record['country'])
   page += 1
   if page >= data['num_pages']:
      break
   with open('countries.txt', 'w') as countries_file:
   countries_file.write('n'.join(sorted(countries))) 

运行上面的脚本后，将获得以下输出，并且记录将保存在名为country.txt的文件中。

Searching with a
adding 15 records from the page 0
adding 15 records from the page 1
...

渲染JavaScript

在上一节中，无涯教程在网页上进行了反向工程，以了解API的工作方式以及如何使用它在单个请求中检索输出，但是在进行逆向工程时会面临以下困难-

• 有时网站可能非常困难，如果网站是使用高级浏览器工具构建的，则生成的JS代码将是机器生成的，难以理解和反向工程。

• 某些更高级的框架，如 React.js ，可能会通过抽象化已经很复杂的JavaScript逻辑而使逆向工程变得困难。

解决上述难题的方法是使用浏览器呈现引擎来解析HTML，应用CSS格式并执行JavaScript以显示网页。

在此示例中，将使用熟悉的Python模块Selenium，以下Python代码将在Selenium的帮助下呈现网页-

首先，需要从Selenium中导入webdriver，如下所示:

from selenium import webdriver

现在，提供根据要求下载的Web驱动程序的路径-

path=r'C:\\Users\\gaurav\\Desktop\\Chromedriver'
driver=webdriver.Chrome(executable_path=path)

现在，提供要在该Web浏览器中打开的URL，该URL现在由Python脚本控制。

driver.get('http://example.webscraping.com/search')

现在，可以使用搜索ID来设置要选择的元素。

driver.find_element_by_id('search_term').send_keys('.')

接下来，无涯教程可以使用javascript来设置选择框的内容，如下所示:

js="document.getElementById('page_size').options[1].text='100';"
driver.execute_script(js)

以下代码行显示可以在网页上单击搜索-

driver.find_element_by_id('search').click()

下一行代码显示，它将等待45秒才能完成AJAX请求。

driver.implicitly_wait(45)

现在，要选择国家/地区链接，无涯教程可以使用CSS选择器，如下所示:

links=driver.find_elements_by_css_selector('#results a')

现在可以提取每个链接的文本以创建国家/地区列表-

countries=[link.text for link in links]
print(countries)
driver.close()