python+Selenium2+chrome构建动态网页爬虫工具

2013-06-30 11:23 22863人阅读 评论(6) 收藏 举报

 分类：

 

python-web（11） 

版权声明：本文为博主原创文章，未经博主允许不得转载。

      网页爬虫分为静态网页爬虫和动态网页爬虫，前者是指索要获取的网页内容不需要经过js运算或者人工交互，

后者是指获取的内容必须要经过js运算或者人工交互。这里的js运算可能是ajax，人工交互不需要解释了。

        静态爬虫现在已经很成熟了，借助于python中的urllib和beautifulsoup可以很容易实现，爬到的内容通

过python的字符串处理写入数据库，甚至可以通过web形式展现。动态爬虫有两种工具，一种是selenium，现

在是selenium2（selenium+webdriver），另一种是headless的phantomjs（对caperjs的封装），前者主要是

通过控制浏览器实现，尤其是那种带video tag的场合，例如国内的一些CP站点例如youku，后者则是不需要

展现内容的场合，或者可以理解为不带video tag的场合。据说后者的速度要比前者快，因为它不需要浏览器

展现，可以闷头去做。

      当然还有其他的工具，这里就不列举了。

       本文描述的是基于selenium的，因为我想获取video tag，这个phantomjs是做不到的。

       本文分几个部分描述。相关网页地址，安装配置，示例代码。这里假设熟悉python静态爬虫和相关语法（例如HTML等）。

一、相关网页地址：

1，phantomjs：这里给出github地址及其说明。

https://github.com/ariya/phantomjs/wiki/Supported-Web-Standards

2，phantomjs:这里给出一个例子的地址

http://pm163.lofter.com/post/aa404_197d8e

3，js对搜索引擎的影响：

http://www.gooseeker.com/cn/node/knowledgebase/javascriptvsseo

4，selenium项目来源：

http://www.infoq.com/cn/news/2011/06/selenium-arch

5，selenium 文档之一：

http://docs.seleniumhq.org/docs/03_webdriver.jsp

6，基于python的selenium及下载页：

http://selenium-python.readthedocs.org/en/latest/installation.html#introduction

https://pypi.python.org/pypi/selenium

7，基于PYthon的官方文档和非官方文档

http://selenium.googlecode.com/svn/trunk/docs/api/py/index.html

http://selenium-python.readthedocs.org/en/latest/index.html

8,基于chrome的webdriver：这里注意chorme的版本，现在是27.

https://code.google.com/p/selenium/wiki/ChromeDriver

https://code.google.com/p/chromedriver/downloads/list

 

二，配置

        第一部分列举了那么多地址，是因为查阅资料很重要，安装和使用是很快的。

简单的说，如果要基于windows做的，那么chromedriver、python和chrome都要winddows版本，这

里不能用cygwin。因为cygwin是linux，并且可以理解为不带桌面的linux。

如果要基于linux的，那么必须是linux桌面版，我这里用的是ubuntu 桌面版12.04 LTS。这样整套都

在linux下。

        webdriver要放在/usr/bin目录下。而不是和chrome同级目录下。后者一般是/opt/google/chrome。

否则会提示找不到webdriver。selenium2的实例是基于firefox的，因为firefox是ubuntu默认带的，所以

天然就可以用。

      如果是不带server的方式驱动，而是直接用webdriver驱动，那么python代码要在linux系统里面

的终端去运行，不能通过远程控制方式运行，否则会报错。 server方式远程控制一台机器是另一种配置方法。

三。实例代码：

1，面的实例代码是原生的例子，调用firefox可以直接使用。调用chrome，则直接改成webdriver.Chrome()即可。

[plain] view plain copy

1. from selenium import webdriver  
2. from selenium.common.exceptions import NoSuchElementException  
3. from selenium.webdriver.common.keys import Keys  
4. import time  
5.   
6. browser = webdriver.Firefox() # Get local session of firefox  
7. browser.get("http://www.yahoo.com") # Load page  
8. assert "Yahoo!" in browser.title  
9. elem = browser.find_element_by_name("p") # Find the query box  
10. elem.send_keys("seleniumhq" + Keys.RETURN)  
11. time.sleep(0.2) # Let the page load, will be added to the API  
12. try:  
13.     browser.find_element_by_xpath("//a[contains(@href,'http://seleniumhq.org')]")  
14. except NoSuchElementException:  
15.     assert 0, "can't find seleniumhq"  
16. browser.close()  

2，改UA：下面代码是改UA的例子，仅导入chrome_options即可。我列举了chrome里面的四种常见移动设备的UA。

有一个网站可以专门显示UA：chrome只要你改好UA后，用这个网站测试即可。

http://www.whatsmyuseragent.com/

 

[plain] view plain copy

1. options = webdriver.ChromeOptions()  
2. #options.add_argument('--user-agent=Mozilla/5.0 (iPad; CPU OS 5_0 like Mac OS X) AppleWebKit/534.46 (KHTML, like Gecko) Version/5.1 Mobile/9A334 Safari/7534.48.3')  
3. #options.add_argument('--user-agent=Mozilla/5.0 (iPhone; CPU iPhone OS 5_0 like Mac OS X) AppleWebKit/534.46 (KHTML, like Gecko) Version/5.1 Mobile/9A334 Safari/7534.48.3')  
4. #options.add_argument('--user-agent=Mozilla/5.0 (Linux; U; Android 2.3.6; en-us; Nexus S Build/GRK39F) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1')  
5. options.add_argument('--user-agent=Mozilla/5.0 (Linux; U; Android 4.0.2; en-us; Galaxy Nexus Build/ICL53F) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30')  
6. browser = webdriver.Chrome(chrome_options=options) # Get local session of firefox  

 

3，获取网页内容：

python版本的selenium2获取到的内容自然是python能解析的。
例如某网站下述video tag。

[plain] view plain copy

1. <video id="xxx-html5player-video" preload="none"   
2. src="http://xxx.com/xxxx/v.m3u8"  
3.  style="width: 100%; height: 100%; display: none; position: relative;"></video>  
4. 下面的代码片段即可得到URL  
5.  url=xxx'  
6.  browser = webdriver.Chrome  
7.  browser.get(url)  
8.  elem=browser.find_element_by_id('xxx-html5player-video') #by id  
9.  elem=browser.find_element_by_tag_name('video')  #by tag name  
10.  elem.get_attribute('src')#get url,python风格的词典结构，elem返回的是词典结构。  

4，获取到内容后，可以写入数据库。做下一步分析。