手把手学爬虫第三弹——爬取动态渲染的信息

其他 2021-12-13 12:19:27 阅读次数: 0

目录

一、什么是动态渲染信息？

    学过网页开发相关的都知道很多网页数据并不是一次就返回全部，需要向服务器发送异步请求获取数据。在爬取此类信息的时候可以在浏览器中分析Ajax和JS请求的数据。本文我将和大家一起学习如何使用Ajax、Selenium和Splash技术获取动态数据。

二、Ajax数据爬取

    Ajax是一种新的网页数据交互技术，它可以在页面不刷新、不更改页面链接的情况下与服务器交换数据并更新网页部分内容。
下面我们以原神官网的角色加载为例介绍。

1.分析网页请求

请添加图片描述

2.查看请求数据

这类数据一般会以json格式返回，为了方便查好数据，给大家推荐一个JSON数据在线格式化的网站。JSON在线格式化
请添加图片描述

3.请求数据

分析完请求以及返回的数据之后就可以开始怕取数据了，请求代码展示如下，返回数据正常。

# -*- coding: utf-8 -*-
# @Time : 2021/9/18 16:03
# @Author : KK
# @File : 40_原神官网.py
# @Software: PyCharm 
import requests

headers = {
    
    
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'}


def get_data(url):
    try:
        response = requests.get(url=url, headers=headers)
        print(response.json())

    except:
        pass


if __name__ == '__main__':
    url = 'https://ys.mihoyo.com/content/ysCn/getContentList?pageSize=20&pageNum=1&order=asc&channelId=150'
    get_data(url)

请添加图片描述

4.清洗数据

对于返回的JSON格式的数据我们不需要任何选择器就可以直接获取，注意看清数据的层次结构，这样我们就可以一层层获取我们需要的数据了，获取的时候参照格式化后的代码即可。
格式化后的数据如下，显然我们需要的数据在list这个列表里面，所以我们先拿到这个list，然后去遍历list进一步取出里面的数据。
请添加图片描述

def get_data(url):
    try:
        yinpin = []
        tu_url = None
        jianjie = None
        response = requests.get(url=url, headers=headers)
        # print(response.json())
        res = response.json()
        data_list = res['data']['list']  # 获取到list数据
        # print(data_list)
        i = 1
        for each in data_list:
            print('正在爬取第{}个角色..'.format(i))
            i = i + 1
            id = each['id']  # 角色id
            title = each['title']  # 角色名字
            start_time = each['start_time']  # 角色上线时间
            ext_list = each['ext']
            for item in ext_list:
                if item['arrtName'] == '角色-PC端主图':  # 角色主图
                    tu_url = item['value'][0]['url']
                elif item['arrtName'] == '角色-简介':  # 角色简介
                    jianjie = processing(item['value'])
                elif item['arrtName'] == '角色-音频1-2':  # 可以使用正则匹配所有的
                    yinpin = item['value'][0]['name'] + '||' + item['value'][0]['url']  # 一条配音链接
            data = {
    
    
                "角色ID": id,
                "角色名称": title,
                "上线时间": start_time,
                "高清图片": tu_url,
                "角色简介": jianjie,
                "角色配音": yinpin,
            }
            # print(data)
            dict_infor.append(data)
        # print(dict_infor)
    except ZeroDivisionError as e:
        print("except:", e)
    finally:
        pass

5.完整代码以及效果截图

# -*- coding: utf-8 -*-
# @Time : 2021/9/18 16:03
# @Author : KK
# @File : 40_原神官网.py
# @Software: PyCharm 
import requests
import re
import csv
import time

headers = {
    
    
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'}

dict_infor = []


# 处理字符串中的空白符，并拼接字符串
def processing(strs):
    n = strs.replace('<p>', '').replace('<br />\n', '').replace('</p>\n', '').replace('\n', '')  # 去除空字符
    return n  # 返回拼接后的字符串


def get_data(url):
    try:
        yinpin = []
        tu_url = None
        jianjie = None
        response = requests.get(url=url, headers=headers)
        # print(response.json())
        res = response.json()
        data_list = res['data']['list']  # 获取到list数据
        # print(data_list)
        i = 1
        for each in data_list:
            print('正在爬取第{}个角色..'.format(i))
            i = i + 1
            id = each['id']  # 角色id
            title = each['title']  # 角色名字
            start_time = each['start_time']  # 角色上线时间
            ext_list = each['ext']
            for item in ext_list:
                if item['arrtName'] == '角色-PC端主图':  # 角色主图
                    tu_url = item['value'][0]['url']
                elif item['arrtName'] == '角色-简介':  # 角色简介
                    jianjie = processing(item['value'])
                elif item['arrtName'] == '角色-音频1-2':  # 可以使用正则匹配所有的
                    yinpin = item['value'][0]['name'] + '||' + item['value'][0]['url']  # 一条配音链接
            data = {
    
    
                "角色ID": id,
                "角色名称": title,
                "上线时间": start_time,
                "高清图片": tu_url,
                "角色简介": jianjie,
                "角色配音": yinpin,
            }
            # print(data)
            dict_infor.append(data)
        # print(dict_infor)
    except ZeroDivisionError as e:
        print("except:", e)
    finally:
        pass


def get_url():
    page_list = [150, 151, 324]
    for i in page_list:
        url = 'https://ys.mihoyo.com/content/ysCn/getContentList?pageSize=20&pageNum=1&order=asc&channelId={}'.format(i)
        get_data(url)


if __name__ == '__main__':
    get_url()
    # 保存到csv
    with open(r'E:\python\pythonProject3\venv\Include\原神.csv', 'a', encoding='utf-8', newline='') as cf:
        writer = csv.DictWriter(cf, fieldnames=['角色ID', '角色名称', '上线时间', '高清图片', '角色简介', '角色配音'])
        writer.writeheader()
        writer.writerows(dict_infor)
        time.sleep(1)
    print('爬取并保存完毕')

请添加图片描述

6.分析总结

通过上面的代码可以发现，对于这类数据的爬取其实和requests请求方式差不多，主要区别在于我们获取到的数据不同，对于JSON数据我们同样进行适当的处理，获取我们想要的数据。

三、Selenium爬取动态数据

    Selenium是浏览器自动化测试框架，是一个用于web测试的工具，可以直接在浏览器中运行，并可驱动浏览器执行一定的操作，例如点击、下拉等，还可以获取浏览器当前页面的源代码。

1.安装Selenium以及浏览器驱动

在pycharm搜索安装selenium模块或者直接控制台pip install selenium命令行安装。
由于该框架需要浏览器驱动，我们根据自己所使用的浏览器下载对应版本即可。
chrome浏览器驱动
Firefox浏览器驱动
IE浏览器驱动

2.Selenium使用准备

下载完成后将名称chromedriver.exe的文件提取出来放在与自己的python.exe文件同级的路径中。
请添加图片描述

3.Selenium模块常用方法

查阅官网文档

a.定位元素

模块名称 使用
find_element_by_id()
find_element_by_name()
find_element_by_xpath()
find_element_by_link_text()
find_element_by_partial_link_text() 查询返回单个元素
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
模块名称 使用
find_elements_by_name()
find_elements_by_xpath()
find_elements_by_link_text()
find_elements_by_partial_link_text() 查询返回多个元素
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector

b.鼠标操作

模块问题
click() 点击元素
context_click(elem) 右击鼠标、点击元素、另存为
double_click(elem) 双击鼠标
move_to_hold(elem) 鼠标光标移动到一个元素上
click_and_hold(elem) 在一个元素上按下鼠标左键

c.键盘操作

请添加图片描述

4.Selenium使用

上面我们看了这个模块的一些常用参数，接下来我们以某东购物网站为例讲解如何使用。大致思路是先生成一个浏览器对象，然后使用常用方法模拟输入搜索关键字并搜索，然后获取搜索的页面数据并解析。

请添加图片描述
请添加图片描述

# -*- coding: utf-8 -*-
# @Time : 2021/9/19 0:11
# @Author : KK
# @File : 41_selenium.py
# @Software: PyCharm
from selenium import webdriver
import time
import csv
import re

def change_str(strs):
    strs = strs.replace("京东超市", "").replace("\n", "")
    return strs


# 获取商品
def get_product(key_word):
    # 定位输入框
    browser.find_element_by_id("key").send_keys(key_word)
    # 定义点击按钮，并点击
    browser.find_element_by_class_name('button').click()
    browser.maximize_window()
    # 等待20秒，方便手动登录
    # time.sleep(20)
    # 定位这个“页码”，获取“共100页这个文本”
    page = browser.find_element_by_xpath('//*[@id="J_bottomPage"]/span[2]/em[1]/b').text
    print(page)
    return page


# 获取数据
def get_data():
    # 所有的信息都在items节点下
    items = browser.find_elements_by_xpath('//*[@id="J_goodsList"]/ul/li')
    # print(type(items))
    for item in items:
        # 名称
        pro_descs = item.find_element_by_xpath('.//div[@class="p-name p-name-type-2"]/a').text
        pro_desc = change_str(pro_descs)
        # 价格
        pro_price = item.find_element_by_xpath('.//div[@class="p-price"]/strong/i').text
        # # 付款人数
        buy_num = item.find_element_by_xpath('.//div[@class="p-commit"]/strong/a').text
        # # 店铺
        shop = item.find_element_by_xpath('.//div[@class="p-shop"]/span[@class="J_im_icon"]/a').text
        with open(r'E:\python\pythonProject3\venv\Include\京东月饼.csv', mode='a', newline='', encoding='utf-8-sig') as f:
            csv_writer = csv.writer(f, delimiter=',')
            csv_writer.writerow([pro_desc, pro_price, buy_num, shop])


if __name__ == '__main__':
    # key_word = input("请输入您要搜索的商品：")
    key_word = "月饼"
    browser = webdriver.Chrome()
    browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
    
    
        'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'
    })
    browser.get('https://www.jd.com/?cu=true&utm_source=baidu-pinzhuan&utm_medium=cpc&utm_campaign=t_288551095_baidupinzhuan&utm_term=0f3d30c8dba7459bb52f2eb5eba8ac7d_0_322db0e3896548d38f025a79a5462747')
    page = get_product(key_word)
    # print(page)
    get_data()
    page_i = 1
    while int(page) != page_i:
        print("正在爬取第{}页".format(page_i + 1))
        print("---------- 分割线 ----------")
        browser.get('https://search.jd.com/Search?keyword={}&page={}'.format(key_word, (page_i * 2) - 1))
        browser.implicitly_wait(15)
        get_data()
        page_i += 1
    print("爬取结束！")

请添加图片描述
请添加图片描述

5.分析总结

通过上面的讲解以及实例可以发现，selenium主要用于爬取动态数据，类似于购物网站等，其优点在于模拟人访问网站的方式获取数据，高效便捷。

四、总结

这篇文章有别于前面的爬虫，主要是爬取非常规网站数据，这类网站大多使用js或其他途径加载数据，普通爬虫不能获取有效信息。
下期我们将会学习如何爬取手机app的数据。

author： KK
time ：2021年9月22日19:33:14
flag：6/30

猜你喜欢

转载自blog.csdn.net/k1507157/article/details/120368122
今日推荐
Arc Browser for Windows 1.0 正式 GA
90后程序员开发视频搬运软件、不到一年获利超 700 万，结局很刑！
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
周排行
rbac——界面、权限
Apache CXF + SpringMVC 整合发布WebService
so插件化
Vue.js实战系列---图标字体制作（svg格式）
PAT乙级 1007 素数对猜想(孪生素数对) (20分) ---（C语言 + 详细注释）
被IRM保护的文档，打开失败
Calendar和Date计算日期差的小问题
win10子系统ubuntu18.4安装docker
利用Wrap Shell Script定位Android Native内存泄漏
MySQL: Transaction (Part I - Basic Concept)
每日归档
更多
2024-05-03(19)
2024-05-02(0)
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022