python抓取动态网页(python模拟浏览器行为更新网页获取更新后的数据怎么抓)

　　python抓取动态网页(python模拟浏览器行为更新网页获取更新后的数据怎么抓)

　　用python爬取网站数据很方便，效率也很高，但是常用的BeautifSoup和requests的组合一般用于爬取静态页面（即网页上显示的数据）可以在html源码中找到，不是网站通过js或者ajax异步加载的），这种网站数据比较容易爬取。但是网站上的一些数据是通过执行js代码更新的。这时候，传统的方法就不那么适用了。这种情况下有几种方法：

　　清除网页上的网络信息，更新页面，观察网页发送的请求。一些网站可以通过这种方式构造参数来简化爬虫。但适用范围还不够广。

　　使用 selenium 模拟浏览器行为来更新网页以获得更新的数据。本文的其余部分将重点介绍这种方法。

　　一、准备

　　需要两个工具来模拟浏览器：

　　1.selenium，可以直接通过pip install selenium安装。

　　2.PhantomJS，这是一个无界面、脚本可编程的 WebKit 浏览器引擎。百度从其官方网站搜索并下载。下载后，无需安装。放在指定的路径。您只需要指定文件所在的路径即可。

　　二、使用selenium模拟浏览器

　　本文爬取网站的例子是：8099/ths-report/...

　　学习示例时请不要抓取太多页面，只需通过过程了解如何抓取它。

　　打开网站后可以看到要爬取的数据是一个普通的表，但是页面很多。

　　

　　在这个网站中，点击下一页的页面的url没有变化，通过执行一段js代码来更新页面。所以本文的思路是用selenium模拟浏览器点击，点击“下一步”更新页面数据，获取更新后的页面数据。这是完整的代码：

　　　# -*- coding:utf-8 -*-

　　import requests

　　from bs4 import BeautifulSoup

　　import json

　　import time

　　from selenium import webdriver

　　import sys

　　reload(sys)

　　sys.setdefaultencoding( "utf-8" )

　　curpath=sys.path[0]

　　print curpath

　　def getData(url):

　　 # 使用下载好的phantomjs，网上也有人用firefox，chrome，但是我没有成功，用这个也挺方便

　　driver =webdriver.PhantomJS(executable_path="C:/phantomjs.exe")

　　driver.set_page_load_timeout(30)

　　time.sleep(3)

　　html=driver.get(url[0]) # 使用get方法请求url，因为是模拟浏览器，所以不需要headers信息

　　for page in range(3):

　　html=driver.page_source # 获取网页的html数据

　　soup=BeautifulSoup(html,'lxml') # 对html进行解析，如果提示lxml未安装，直接pip install lxml即可

　　table=soup.find('table',class_="report-table")

　　name=[]

　　for th in table.find_all('tr')[0].find_all('th'):

　　name.append(th.get_text()) # 获取表格的字段名称作为字典的键

　　flag=0 # 标记，当爬取字段数据是为0，否则为1

　　for tr in table.find_all('tr'):

　　# 第一行为表格字段数据，因此跳过第一行

　　if flag==1:

　　dic={}

　　i=0

　　for td in tr.find_all('td'):

　　dic[name[i]]=td.get_text()

　　i+=1

　　jsonDump(dic,url[1])#保存数据

　　flag=1

　　 # 利用find_element_by_link_text方法得到下一页所在的位置并点击，点击后页面会自动更新，只需要重新获取driver.page_source即可

　　driver.find_element_by_link_text(u"下一页").click()

　　

　　def jsonDump(_json,name):

　　"""store json data"""

　　with open(curpath+'/'+name+'.json','a') as outfile:

　　json.dump(_json,outfile,ensure_ascii=False)

　　with open(curpath+'/'+name+'.json','a') as outfile:

　　outfile.write(',\n')

　　if __name__ == '__main__':

　　url=['http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1465594312346','yzc'] # yzc为文件名，此处输入中文会报错，前面加u也不行，只好保存后手动改文件名……

　　getData(url) # 调用函数

复制代码

　　本文通过driver.find_element_by_link_text方法获取下一页的位置。这是因为在这个网页中，这个标签没有唯一可识别的 id，也没有类。如果是通过xpath定位，第一页和其他页面的xpath路径不完全一样，需要加一个if来判断。所以直接通过链接的text参数进行定位。click() 函数模拟浏览器中的点击操作。

　　硒非常强大。可以解决很多普通爬虫无法解决的问题。可以模拟点击、鼠标移动、提交表单（应用如：登录邮箱账号、登录wifi等，网上例子很多，我暂时还没试过），当你遇到一些非常规网站数据爬取难度很大，不妨试试selenium+phantomjs。

　　最后：【可以帮到你】

　　

　　这个资料应该是【软件测试】的朋友们最全面、最全的准备库了。这个仓库陪伴了数以万计的测试工程师走过最艰难的旅程，也希望能帮到你！关注我的微信公众号【软件测试道】免费获取~

　　我的学习交流群：644956177群内有技术高手交流分享~

　　如果我的博客对你有帮助，如果你喜欢我的博客内容，请一键“点赞”“评论”“采集”！