上一节:
下一节:

  Python - 网页抓取动态网站

  • 简述

    在本章中，让我们学习如何在动态网站上执行网页抓取以及详细涉及的概念。

  • 介绍

    网页抓取是一项复杂的任务，如果网站是动态的，则复杂性会成倍增加。根据联合国对 Web 可访问性的全球审计，超过 70% 的网站本质上是动态的，它们的功能依赖于 JavaScript。

  • 动态网站示例

    让我们看一个动态网站的例子，并了解为什么它难以抓取。在这里，我们将以从名为http://example.webscraping.com/places/default/search 的网站进行搜索为例。但是我们怎么能说这个网站是动态的呢？可以从以下 Python 脚本的输出中判断，该脚本将尝试从上述网页中抓取数据 - 
    
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)

    输出

    
[ ]
    上面的输出显示示例爬虫未能提取信息，因为我们试图找到的 <div> 元素是空的。

  • 从动态网站抓取数据的方法

    我们已经看到，爬虫无法从动态网站上抓取信息，因为数据是使用 JavaScript 动态加载的。在这种情况下，我们可以使用以下两种技术从依赖于 JavaScript 的动态网站中抓取数据 -
    • 逆向工程 JavaScript
    • 渲染 JavaScript

  • 逆向工程 JavaScript

    称为逆向工程的过程将很有用，让我们了解网页如何动态加载数据。
    为此，我们需要单击inspect element指定 URL 的选项卡。接下来，我们将点击NETWORK选项卡以查找对该网页发出的所有请求，包括路径为的 search.json/ajax. 无需从浏览器或通过 NETWORK 选项卡访问 AJAX 数据，我们也可以借助以下 Python 脚本来完成 - 
    
import requests
url=requests.get('http://example.webscraping.com/ajax/search.json?page=0&page_size=10&search_term=a')
url.json()

    例子

    上面的脚本允许我们使用 Python json 方法访问 JSON 响应。同样，我们可以下载原始字符串响应，并使用 python 的 json.loads 方法，我们也可以加载它。我们在下面的 Python 脚本的帮助下做到了这一点。它基本上会通过搜索字母“a”中的字母然后迭代 JSON 响应的结果页面来抓取所有国家/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)))
    运行上述脚本后，我们将得到以下输出，记录将保存在名为 countries.txt 的文件中。

    输出

    
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，我们对网页进行了逆向工程，了解 API 的工作原理以及我们如何使用它在单个请求中检索结果。但是，我们在进行逆向工程时可能会面临以下困难 -
    • 有时网站可能非常困难。例如，如果网站是使用 Google Web Toolkit (GWT) 等高级浏览器工具制作的，那么生成的 JS 代码将是机器生成的，难以理解和逆向工程。
    • 一些更高级别的框架，如React.js通过抽象已经很复杂的 JavaScript 逻辑，可以使逆向工程变得困难。
    解决上述困难的方法是使用解析 HTML、应用 CSS 格式并执行 JavaScript 来显示网页的浏览器渲染引擎。

    例子

    在这个例子中，为了渲染 Java Script，我们将使用熟悉的 Python 模块 Selenium。以下 Python 代码将在 Selenium 的帮助下呈现一个网页 -
    首先，我们需要从 selenium 导入 webdriver，如下所示 - 
    
from selenium import webdriver
    现在，提供我们根据要求下载的网络驱动程序的路径 - 
    
path = r'C:\\Users\\gaurav\\Desktop\\Chromedriver'
driver = webdriver.Chrome(executable_path = path)
    现在，提供我们想要在现在由我们的 Python 脚本控制的 Web 浏览器中打开的 url。 
    
driver.get('http://example.webscraping.com/search')
    现在，我们可以使用搜索工具箱的 ID 来设置要选择的元素。 
    
driver.find_element_by_id('search_term').send_keys('.')
    接下来，我们可以使用 java 脚本来设置选择框内容如下 - 
    
js = "document.getElementById('page_size').options[1].text = '100';"
driver.execute_script(js)
    以下代码行显示搜索已准备好在网页上单击 - 
    
driver.find_element_by_id('search').click()
    下一行代码显示它将等待 45 秒以完成 AJAX 请求。 
    
driver.implicitly_wait(45)
    现在，为了选择国家链接，我们可以使用 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列表 - 
    
countries = [link.text for link in links]
print(countries)
driver.close()
上一节:
下一节: