Selenium+PhantomJS 加载 ajax 数据

[CicadaMan]

如今的网站有两种。一种是同步加载的。另一种是异步加载的，也即我们常说的用ajax。对于那种同步加载的网站，普通的爬虫程序轻轻松松的就能搞定。但是对于那种异步请求数据的网站，就不能走寻常路了。对于这种情况，通常的解决方案是使用selenimu+PhantomJS组合来完成。有的童鞋可能还不是很了解这两者之间的关系，接下来做个简单介绍：

1. selenium：是一个web的自动化测试工具，最初是为网站自动化测试而开发的.我们可以通过他使用代码来操作浏览器以及其中的网页元素。selenium支持绝大部分的浏览器，以及类似PhantomJS这种无界面的浏览器。

2. PhantomJS：是一个基于Webkit的“无界面”(headless)浏览器。他除了没有界面，其他功能跟普通浏览器是一样的。也正因为他没有界面，因此运行效率比普通浏览器要高。

PhantomJS 安装：

从http://phantomjs.org/下载合适自己电脑版本的PhantomJS。然后根据自己的操作系统配置其环境变量。比如mac或者linux，可以把PhantomJS放置在/usr/bin或者/usr/local/bin中。而windows用户也可以在我的电脑->属性->环境变量中配置好PhantomJS所在的路径。

selenium 使用介绍：

1. 安装：sudo pip install selenium。

2. 使用以下代码做个简单介绍.这篇教程不打算对selenium做细节的讲解。如果想要详细了解使用细节，可以访问http://selenium-python.readthedocs.io/或者关注本公众号找我索要教程：

# 导入 webdriver 对象
from selenium import webdriver
# 初始化 PhantomJS 浏览器
driver = webdriver.PhantomJS()
# 访问百度
driver.get('http://www.baidu.com/')

# 获取 id 为 wrapper 这个元素的 text
driver.find_element_by_id("wrapper").text
...

获取豆瓣热门排行版的电影数据

豆瓣热门电影的数据，不是一次性加载的。而是通过点击加载更多的方式获取更多数据的。因此我们不能使用传统的方式爬数据。这里我们使用selenium+PhantomJS的方式爬取异步加载的电影：

#encoding: utf8

from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait

def crawle_movie():
    # 初始化一个 webdriver 对象，使用的是 PhantomJS 浏览器
    driver = webdriver.PhantomJS()

    # 获取 douban 的电影
    driver.get("https://movie.douban.com/")

    # 电影列表
    movie_list = []

    # 点击获取更多电影
    more_btn = driver.find_element_by_class_name('more')

    while True:
        # 截取元素起始位置
        start_index = len(movie_list)

        # xpath 字符串。因为点击加载更多后，只需要获取新加载的数据，不需要获取之前的。所以给了一个 position
        xpath_str = "//a[@class='item'][position()>%d]" % start_index

        # 通过 xpath 获取的元素对象
        item_tags = driver.find_elements_by_xpath(xpath_str)

        print 'start_index:',start_index
        print '当前个数：',len(item_tags)

        # 遍历所有的元素对象
        for item_tag in item_tags:
            # 获取电影海报标签
            img_tag = item_tag.find_element_by_tag_name('img')
            # 获取电影海报的 src 属性对应的值
            cover = img_tag.get_attribute("src")
            # 获取电影海报对应的 alt，也即电影名
            title = img_tag.get_attribute("alt")
            # 通过 xpath 获取评分。注意：要通过 xpath 获取某个元素下的标签，那么应该前面加.
            rating = item_tag.find_element_by_xpath(".//p/strong").text
            movie = {
                'cover': cover,
                'title': title,
                'rating': rating
            }
            print u'电影名：' + title
            movie_list.append(movie)

        # 获取点击加载更多的按钮
        more_btn = driver.find_element_by_class_name('more')

        # 如果这个按钮有 style 这个属性，说明是已经达到最后一页了。不能再点击了。这时候就退出
        if more_btn.get_attribute('style'):
            break

        # 模拟加载更多按钮点击
        more_btn.click()

if __name__ == '__main__':
    crawle_movie()

如果想了解更多 Python 和爬虫相关知识，欢迎加群 482869582 一起学习交流！