python+Selenium2+chrome构建动态网页爬虫工具

版权声明：本文为博主原创文章，未经博主允许。

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。

/ariya/phantomjs/wiki/Supported-Web-Standards

2，phantomjs:这里给出一个例子的地址

/post/aa404_197d8e

3，js对搜索引擎的影响：

/cn/node/knowledgebase/javascriptvsseo

4，selenium项目来源：

/cn/news//06/selenium-arch

5，selenium 文档之一：

/docs/03_webdriver.jsp

6，基于python的selenium及下载页：

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

/pypi/selenium

7，基于PYthon的官方文档和非官方文档

/svn/trunk/docs/api/py/index.html

http://selenium-/en/latest/index.html

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

/p/selenium/wiki/ChromeDriver

/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 plaincopyfromseleniumimportwebdriver mon.exceptionsimportNoSuchElementException mon.keysimportKeys importtime browser=webdriver.Firefox()#Getlocalsessionoffirefox browser.get("")#Loadpage assert"Yahoo!"inbrowser.title elem=browser.find_element_by_name("p")#Findthequerybox elem.send_keys("seleniumhq"+Keys.RETURN) time.sleep(0.2)#Letthepageload,willbeaddedtotheAPI try: browser.find_element_by_xpath("//a[contains(@href,'')]") exceptNoSuchElementException: assert0,"can'tfindseleniumhq" 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。

/

[plain]view plaincopyoptions=webdriver.ChromeOptions() #options.add_argument('--user-agent=Mozilla/5.0(iPad;CPUOS5_0likeMacOSX)AppleWebKit/534.46(KHTML,likeGecko)Version/5.1Mobile/9A334Safari/7534.48.3') #options.add_argument('--user-agent=Mozilla/5.0(iPhone;CPUiPhoneOS5_0likeMacOSX)AppleWebKit/534.46(KHTML,likeGecko)Version/5.1Mobile/9A334Safari/7534.48.3') #options.add_argument('--user-agent=Mozilla/5.0(Linux;U;Android2.3.6;en-us;NexusSBuild/GRK39F)AppleWebKit/533.1(KHTML,likeGecko)Version/4.0MobileSafari/533.1') options.add_argument('--user-agent=Mozilla/5.0(Linux;U;Android4.0.2;en-us;GalaxyNexusBuild/ICL53F)AppleWebKit/534.30(KHTML,likeGecko)Version/4.0MobileSafari/534.30') browser=webdriver.Chrome(chrome_options=options)#Getlocalsessionoffirefox

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 plaincopy<videoid="xxx-html5player-video"preload="none" src="/xxxx/v.m3u8" style="width:100%;height:100%;display:none;position:relative;"></video> 下面的代码片段即可得到URL url=xxx' browser=webdriver.Chrome browser.get(url) elem=browser.find_element_by_id('xxx-html5player-video')#byid elem=browser.find_element_by_tag_name('video')#bytagname elem.get_attribute('src')#geturl,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。