python爬虫笔记（五）——动态网页处理（下篇）

前面总结了通过寻找后台接口来爬取动态网页，这篇博客总结一下selenium+chrome如何爬取动态页面，selenium现在貌似不在支持PhantomJs，python版本为3.6

1、安装chromedriver

网址：http://chromedriver.chromium.org/downloads（需要翻墙）

请安装与自己chrome版本（在浏览器地址栏输入chrome://settings/help可查看）一致的chromedriver

下载完后，将chromedriver的所有文件拖到chrome的安装文件夹，设置到chrome安装文件夹的环境变量（方便代码处理）

2、查看selenium官方文档

网址：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.chrome.webdriver

常用函数总结一下：

#selenium.webdriver.chrome.webdriver.WebDriver类
__init__：第一个形参用于指定chromedriver的路径，如果不指定，使用
环境变量path下的路径，第二个参数指定运行端口号，如果不指定，随便选择一个空端口号
quite():关闭浏览器

#selenium.webdriver.chrome.options.Options
用于设置chrome浏览器，目前使用过的参数：
1、阻止chrome弹窗的出现：'profile.default_content_setting_values' :{'notifications' : 2}
2、不加载图片："profile.managed_default_content_settings.images":2
3、无头浏览器，--headless

add_experimental_option(name, value)：将设置参数传递给chrome

#selenium.webdriver.remote.webdriver.WebDriver
close（）：关闭当前窗口
execute_async_script（）：异步执行js代码
execute_script（）：同步执行js代码
quit()：关闭驱动以及所有窗口
get（url）：获得某个页面
set_window_size(width, height, windowHandle='current')：设置窗口大小
maximize_window():窗口最大化
page_source属性，获得当前页面的html代码
driver.execute_script("window.scrollTo(0, document.body.scrollHeight);"：执行翻页
find_element_by_id:全文查找，根据完整的id值查找，返回selenium.webdriver.remote.webelement.WebElement对象
find_element_by_class_name:全文查找，根据完整的class值查找，返回selenium.webdriver.remote.webelement.WebElement对象
find_element_by_xpath(xpath):全文查找，根据xpath查找，返回selenium.webdriver.remote.webelement.WebElement对象

#selenium.webdriver.remote.webelement.WebElement
click()：点击按钮
find_element_by_id:根据id查找，返回selenium.webdriver.remote.webelement.WebElement对象，只查找子元素
find_element_by_class_name:根据class name查找，返回selenium.webdriver.remote.webelement.WebElement对象，只查找子元素
find_element_by_xpath(xpath):根据xpath查找，返回selenium.webdriver.remote.webelement.WebElement对象，只查找子元素
submit()：提交表单
send_keys（）：填值
text属性：该元素的文本值

3、常见异常

NoSuchElementException

关于起因，我总结了两点：

1、页面元素未被加载出来，这里有两种可能

第一、等待时间过短，导致元素未加载

第二、浏览器窗口不够大，导致页面元素未加载，此时不论等待多长时间都没用，因此，每次都要将窗口设置为最大值

2、寻找元素的标记本身发生错误

4、实例

爬取迪丽热巴的微博发言，由于是练习，因此会有一些不必要的步骤

引入的包：

from selenium import webdriver
import time
from lxml import etree

1、实例化webdriver

options = webdriver.ChromeOptions()
prefs = {
    'profile.default_content_setting_values' :
        {
        'notifications' : 2
         },
    "profile.managed_default_content_settings.images":2
}
options.add_experimental_option('prefs',prefs)
driver = webdriver.Chrome(chrome_options = options)
driver.maximize_window()

禁止chrome弹窗（注意是chrome自带的弹窗，不是网站的弹窗）、不加载图片

2、登陆微博

注意到弹窗的存在，如果不设置，chrome就会有弹窗，但是不妨碍处理网页

登陆用户具有更多的浏览权限，因此需要登陆

def login_weibo():
    driver.get('https://weibo.com/')
    time.sleep(10)
    
    element=driver.find_element_by_id('loginname')
    element.send_keys('你的账号名')
    
    element=driver.find_element_by_name('password')
    element.send_keys('你的密码')
    element=driver.find_element_by_class_name('W_btn_a')
    element.click()

这里有一个坑，如果不最大化窗口，微博首页的登陆框是不会出现的（google、百度了一堆，没啥用，然后才发现这么回事.....

这个登陆方式不是很完善，没有验证码的处理，但验证码并不常见（尝试登陆了几十次，没见过验证码.......），所以就不写了，出现验证码可以尝试用OCR的识别手段，也可以考虑自己手工输入

3、在搜索框搜索迪丽热巴并点击

def search_weibo():
    #查找搜索框并输入信息
    elements=driver.find_elements_by_class_name('W_input')
    elements[0].send_keys('迪丽热巴')
    #点击搜索按钮
    element=driver.find_element_by_class_name('ficon_search')
    element.click()
    time.sleep(10)
    #进入迪丽热巴的微博
    element=driver.find_element_by_class_name('name_txt')
    element.click()
    time.sleep(10)

这里设置了等待时间，因为整个页面的加载速度奇慢，如果等待时间不足，可能相应的元素就无法加载

4、选在查看全部微博

这个权限在登陆后才有

def select_all():
    #定位最新打开的窗口
    windows = driver.window_handles
    driver.switch_to.window(windows[-1])
    #选择全部按钮，点击
    element=driver.find_element_by_xpath("//li[@class='tab_li tab_li_first']/a")
    element.click()
    time.sleep(10)

这里有个坑，如果我们用selenium让chrome打开了多个窗口，chrome的webdriver不会定位到最新的窗口，而是一直处于第一个窗口，所以前两行代码用于定位最新打开的窗口

5、爬取前三页微博信息

def crawel():
    i=0
    while(i!=3):
         #翻页
         driver.execute_script("window.scrollTo(0, document.body.scrollHeight)")
         time.sleep(5)
         #使用etree查看是否有下一页元素
         page=driver.page_source
         html_parse=etree.HTML(page)
         a=html_parse.xpath("//a[@class='page next S_txt1 S_line1']")
         #存在下一页元素，此时该页全部加载完毕，爬取
         if a!=[]:
             text_list=html_parse.xpath("//div[@class='WB_text W_f14']")
             for index in range(0,len(text_list)):
                 result=text_list[index].text.replace(' ','').replace('\n','')
                 if result!='':
                     file.write(result+'\n')
             element=driver.find_element_by_class_name('next')
             element.click()
             i=i+1

微博需要下拉一定长度才会出现下一页的标签，在网上查找了许多下拉网页的方式都没用，最后查阅官方文档才找到答案：

driver.execute_script("window.scrollTo(0, document.body.scrollHeight)")

lxml元素选择器的处理速度比selenium快很多，查找不到也不会抛异常，因此，寻找下一页元素我选择使用lxml（网页要下拉到最底才会出现下一页标识符，未出现下一页标识符，selenium会抛异常），这里没有处理因网络原因导致的重新加载情况

6、部分执行结果（CSDN不知咋回事，只能丢出这么点文本）

果然，最喜欢夏天
自从这个妹妹出道以后老学我
希望平安无事