Python 网页抓取 - 动态网站

在本章中，让我们学习如何在动态网站上进行网页抓取以及详细涉及的概念。

介绍

网络抓取是一项复杂的任务，如果网站是动态的，复杂性就会成倍增加。根据联合国全球网络可访问性审计，超过 70% 的网站本质上是动态的，并且它们的功能依赖于 JavaScript。

动态网站示例

让我们看一个动态网站的例子，了解为什么它很难抓取。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 脚本的输出来判断，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抓取工具无法提取信息，因为我们尝试查找的 <div> 元素为空。

从动态网站抓取数据的方法

我们已经看到，抓取工具无法从动态网站中抓取信息，因为数据是通过 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动态 JavaScript 相关网站中抓取数据 -

JavaScript 逆向工程
渲染 JavaScript

JavaScript 逆向工程

称为逆向工程的过程将很有用，它可以让我们了解网页如何动态加载数据。

为此，我们需要单击指定 URL 的检查元素选项卡。接下来，我们将单击NETWORK选项卡以查找对该网页发出的所有请求，包括路径为/ajax的 search.json 。我们也可以借助以下 Python 脚本来完成此操作，而不是从浏览器或通过 NETWORK 选项卡访问 AJAX 数据 -

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。我们在以下 Python 脚本的帮助下完成此操作。它基本上会通过搜索字母表中的字母“a”来抓取所有国家/地区，然后迭代 JSON 响应的结果页面。

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country.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，我们在网页上进行了逆向工程，了解 API 的工作原理以及如何使用它在单个请求中检索结果。然而，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（例如React.js）可以通过抽象已经复杂的 JavaScript 逻辑来使逆向工程变得困难。

解决上述困难的方法是使用浏览器渲染引擎来解析 HTML、应用 CSS 格式并执行 JavaScript 来显示网页。

例子

在此示例中，为了渲染 Java 脚本，我们将使用熟悉的 Python 模块 Selenium。以下 Python 代码将在 Selenium 的帮助下渲染网页 -

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，提供我们想要在由 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脚本设置选择框内容，如下所示 -

js = "document.getElementById('page_size').options[1].text = '100';"
driver.execute_script(js)

以下代码行显示已准备好在网页上单击搜索 -

driver.find_element_by_id('search').click()

下一行代码显示它将等待 45 秒来完成 AJAX 请求。

driver.implicitly_wait(45)

现在，为了选择国家/地区链接，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/地区列表 -

countries = [link.text for link in links]
print(countries)
driver.close()