動態網頁抓取通常會使用一些 Python 函式庫,例如處理 HTTP 請求的 requests、模擬瀏覽器行為的 selenium 或 pyppeteer。以下的文章將重點放在selenium的使用。
selenium 是用於測試 Web 應用程式的工具,但它也經常用於 Web 抓取,特別是當需要抓取由 JavaScript 動態產生的 Web 內容時。 selenium 可以模擬瀏覽器中的使用者行為,例如點擊、輸入文字、取得網頁元素。
首先,確保你已經安裝了selenium。如果沒有,您可以透過 pip 安裝:
pip install selenium
您還需要下載對應瀏覽器的WebDriver。 假設我們使用Chrome瀏覽器,您需要下載ChromeDriver並確保其路徑已新增至系統環境變數中,或您可以直接在程式碼中指定其路徑。
這是一個取得網頁標題的簡單範例:
from selenium import webdriver from selenium.webdriver.chrome.service import Service from webdriver_manager.chrome import ChromeDriverManager # Setting up webdriver driver = webdriver.Chrome(service=Service(ChromeDriverManager().install())) # Open the webpage driver.get('https://www.example.com') # Get the webpage title title = driver.title print(title) # Close the browser driver.quit()
此腳本將開啟 example.com,取得其標題並將其列印出來。
請注意,webdriver_manager 是一個自動管理 WebDriver 版本的第三方函式庫。 如果不想使用,也可以手動下載WebDriver並指定路徑。
動態網頁可能涉及 JavaScript 呈現的內容。 selenium 可以等待這些元素載入後再進行操作,這非常適合處理此類網頁。
使用Python爬取動態網頁時,常會用到代理。使用代理一方面可以避免很多障礙,另一方面也可以加快工作效率。
上面我們已經介紹了selenium的安裝。另外,您還需要下載對應瀏覽器的WebDriver,並確保其路徑已新增至系統的環境變數中,也可以直接在程式碼中指定其路徑。
完成上述步驟後,我們就可以設定代理並廢棄動態網頁了:
from selenium import webdriver from selenium.webdriver.chrome.options import Options # Set Chrome options chrome_options = Options() chrome_options.add_argument('--proxy-server=http://your_proxy_ip:port') # Specify the WebDriver path (if you have added the WebDriver path to the system environment variables, you can skip this step) # driver_path = 'path/to/your/chromedriver' # driver = webdriver.Chrome(executable_path=driver_path, options=chrome_options) # If WebDriver path is not specified, the default path is used (make sure you have added WebDriver to your system environment variables) driver = webdriver.Chrome(options=chrome_options) # Open the webpage driver.get('https://www.example.com') # Get the webpage title title = driver.title print(title) # Close the browser driver.quit()
在本例中,--proxy-server=http://your_proxy_ip:port 是設定代理的參數。 您需要將 your_proxy_ip 和 port 替換為您實際使用的代理伺服器的 IP 位址和連接埠號碼使用。
如果您的代理伺服器需要驗證,您可以使用以下格式:
chrome_options.add_argument('--proxy-server=http://username:password@your_proxy_ip:port')
其中使用者名稱和密碼是您的代理伺服器的使用者名稱和密碼。
執行上述程式碼後,selenium 將透過配置的代理伺服器造訪目標網頁並列印出網頁的標題。
如何指定ChromeDriver的路徑?
ChromeDriver 是 Selenium WebDriver 的一部分。它透過WebDriver API與Chrome瀏覽器交互,實現自動化測試、網路爬蟲等功能。
指定ChromeDriver的路徑主要涉及到環境變數的配置。 具體步驟如下:
1.找到Chrome的安裝位置
您可以透過右鍵單擊桌面上的 Google Chrome 捷徑並選擇「開啟檔案位置」來找到它。
2.將Chrome的安裝路徑加入系統環境變數Path
這允許系統在任何位置識別 ChromeDriver。
3.下載並解壓縮 ChromeDriver
確保下載與Chrome瀏覽器版本相符的ChromeDriver,並將其解壓縮為exe程式。
4.將ChromeDriver的exe檔複製到Chrome的安裝路徑
這樣,當你需要使用ChromeDriver時,系統就能自動辨識並呼叫它
以上就是selenium和webdriver在python動態網頁爬取中的應用,以及爬取網頁時如何避免。當然,你也可以透過上面的例子來練習實際操作。
以上是Python動態網頁抓取範例:selenium和webdriver的應用的詳細內容。更多資訊請關注PHP中文網其他相關文章!