js抓取网页内容(通过利用selenium的子模块解决动态数据的html内容的方式)

　　js抓取网页内容(通过利用selenium的子模块解决动态数据的html内容的方式)

　　文章目的

　　我们在使用Python爬取网页数据时，经常会用到urllib模块，它通过调用urllib模块的urlopen(url)方法返回网页对象，并使用read()方法获取网页的html内容url，然后使用 BeautifulSoup 抓取某个 Label 内容，结合正则表达式过滤。但是，你用 urllib.urlopen(url).read() 得到的只是网页的静态html内容，还有很多动态数据（比如访问量网站，当前在线人数，微博上的点赞数等）不收录在静态html中，例如我想抓取当前点击打开bbs网站链接的每个部分的在线人数。静态html网页不收录（不信你去查页面源码，只有简单的一行）。此类动态数据更多是由JavaScript、JQuery、PHP等语言动态生成的，因此不宜采用抓取静态html内容的方法。

　　解决方案

　　我试过网上提到的浏览器自带的开发者工具（一般是F12弹出相应网页的开发者工具）来查看网上动态数据的趋势，但这需要从很多网址中寻找线索。个人觉得太麻烦。另外，查看器查看的html内容也收录动态数据，但是有几个问题：如何实时获取查看器的html内容？如何将查看器的html导入python程序？因此，使用查看器的html内容的方法也不符合爬虫的要求。

　　偶然发现了selenium模块，发现这个模块可以很方便的根据url加载页面获取session，找到当前session对应的tag。本文将使用 selenium webdriver 模块来获取这些动态生成的内容，尤其是一些重要的动态数据。事实上，selenium 模块的功能不仅限于抓取网页。它是网络自动化测试的常用模块。它在 Ruby 和 Java 中被广泛使用。Python虽然使用的相对较少，但它也是一个非常简单、高效、易用的自动化测试。模块。通过使用selenium的子模块webdriver解决动态数据的捕获问题，你也可以对selenium有一个基本的了解，为进一步学习自动化测试打下基础。

　　实施过程

　　操作环境

　　我在windows 7系统上安装了Python2.7版本，使用Python(X,Y)IDE，安装的Python库没有自带selenium，直接在Python程序中import selenium会提示没有这个模块，在联网状态下，cmd直接输入pip install selenium，系统会找到Python的安装目录，直接下载解压安装这个模块。终端提示完成后，可以查看C:\Python27\Lib\site-packages目录下是否有selenium模块。这个目录取决于你安装 Python 的路径。如果有 selenium 和 selenium-2.47.3.dist-info 两个文件夹，则可以在 Python 程序中加载模块。

　　使用 webdriver 捕获动态数据

　　1.首先导入webdriver子模块

　　从硒导入网络驱动程序

　　2.获取浏览器会话，浏览器可以使用火狐、Chrome、IE等，这里以火狐为例

　　浏览器 = webdriver.Firefox()

　　3.加载页面并在URL中指定有效字符串

　　browser.get(url)

　　4. 获取到session对象后，为了定位元素，webdriver提供了一系列的元素定位方法。常用的方法有以下几种：

　　ID

　　姓名

　　班级名称

　　关联

　　文本

　　部分的

　　关联

　　文本

　　标签

　　姓名

　　路径

　　css选择器

　　比如通过id定位，返回一个所有元素组成的列表，lis=borwser.find_elements_by_id_name(\'kw\'\')

　　按类名定位，lis=find_elements_by_class_name(\'title_1\')

　　更详细的定位方法请参考《博客园-昆虫大师》大神的selenium webdriver(python)教程第三章-定位方法（第一版可百度文库阅读，第二版从一开始就收费>-