【笔记】Python3｜爬虫处理网页数据异步加载问题（结合Selenium完成）

问题描述

一些网站会有很多的重定向，才能跳转到真实的资源页。然后爬虫就会报错：requests.exceptions.TooManyRedirects: Exceeded 30 redirects.
这种情况，可以直接关掉重定向，判断响应状态是301或302然后手动重定向。
参考：Python Requests:TooManyRedirects问题解决。

在手动重定向后，我又遇到了异步加载的问题。
爬取得到的页面只有“加载中”，没有实际内容。

出问题的网页是：常用来爬虫的某网站。
爬取之后得到的就只有这个：

查看网页，可以看到数据是靠浏览器运行JS脚本异步加载的，这时候必须要浏览器渲染，网页的内容才会显示出来。

我查到两种解决方式，一是分析源码，然后想办法自己渲染一下；二是使用requests-html，它提供了render渲染、提供了html异步解析。

requests-html表面上看起来非常不戳啊，好像啥都有了，可是问题是它和requests是同一个作者，requests直到今天还在更新，而requests-html两年没更新了，怎么看都是个天坑吧？

那，要不结合浏览器，咱给它模拟渲染一个吧？

默默捡起了我好久没用的Selenium。
果然，兜兜转转，还是逃不过写模拟吗？

我的版本：

requests           2.27.1
selenium           4.2.0
Edge               102.0.1245.44

1. 结合Selenium、Edge解析该网站搜索页面的数据

如果你从前完全没使用过、没安装过Selenium，可以参考这篇博客《【记录】Python3｜selenium4 极速上手入门（Windows）》快速安装Edge版本的webdriver，再继续看下文。

一个超简单的能正常运行的selenium程序如下：

from selenium import webdriver
from selenium.webdriver.edge.service import Service
import requests
from time import sleep

s = Service('./edgedriver_win64/msedgedriver.exe')
edge = webdriver.Edge(service=s)
edge.get("https://movie.douban.com/subject_search?search_text=花束般的恋爱")
# requests库，构造会话
session = requests.Session()
# 获取cookies
cookies = edge.get_cookies()
# 填充
for cookie in cookies:
    session.cookies.set(cookie['name'], cookie['value'])

# 给网页留一点加载的时间，不然之后find不了元素
sleep(2)
detail = edge.find_elements(by='xpath', value="//div[@class='detail']")
for i in range(0, len(detail)):
    title = detail[i].find_element(by='xpath', value="./div[@class='title']")
    rating_nums = detail[i].find_elements(by='xpath', value="./div/span[@class='rating_nums']")
    title_a = detail[i].find_element(by='xpath', value="./div[@class='title']/a").get_property('href')
    if (len(rating_nums) == 0):
        print(i, title.text, '暂无评分', title_a)
    else:
        print(i, title.text, rating_nums[0].text, title_a)
    if (i >= 5):  # 最多显示6个结果就行
        break

我把常用的xpath相关的、selenium相关的都尽可能在上述代码中写到了。
这对于学习来说，应该是一个很好的例子。
比如get_property是获取元素的属性。
比如xpath中的“目录”层次，./div[@class='title']（其实和电脑的文件系统的目录结构是一样的，多看看就会发现这东西好简单的）。
比如find_elements和find_element的区别。

注意：当页面中没有find_element能够找到的元素的时候，它就会直接抛出异常“invalid Locator”，而不是返回空。
所以不能确定到底有没有的时候只能用find_elements。

给大家表演一个实际效果~

2. 结合lxml解析网页数据

selenium的xpath语法写得没有lxml的简洁，我之前一直用的是lxml解析网页。
selenium得到的网页→网页文本→用lxml做元素分析，（很容易）；
网页文本→selenium的类，（很难）；
所以我的建议是：干脆一直用lxml库做网页文本的解析，这样更通用些，而且代码量小很多很多。

给大伙看一下selenium和lxml的对比（上面是selenium，下面是lxml）：

detail = edge.find_elements(by='xpath', value="//div[@class='detail']")
for i in range(0, len(detail)):
    title = detail[i].find_element(by='xpath', value="./div[@class='title']")
    rating_nums = detail[i].find_elements(by='xpath', value="./div/span[@class='rating_nums']")
    title_a = detail[i].find_element(by='xpath', value="./div[@class='title']/a").get_property('href')
    if (len(rating_nums) == 0):
        print(i, title.text, '暂无评分', title_a)
    else:
        print(i, title.text, rating_nums[0].text, title_a)
    if (i >= 5):  # 最多显示6个结果就行
        break

下面是lxml：

from lxml import etree
html=etree.HTML(edge.page_source) # 没错！只要加上一行！就可以丝滑地转换成lxml
detail = html.xpath("//div[@class='detail']")
for i in range(0, len(detail)):
    title = detail[i].xpath("./div[@class='title']/a/text()")
    rating_nums = detail[i].xpath("./div/span[@class='rating_nums']/text()")
    title_a = detail[i].xpath("./div[@class='title']/a/@href")
    if (len(rating_nums) == 0):
        print(i, title[0], '暂无评分', title_a[0])
    else:
        print(i, title[0], rating_nums[0], title_a[0])
    if (i >= 5):  # 最多显示6个结果就行
        break

运行结果和上面那个程序是一样的哈：

3. 附加：不是异步加载的网页，结合requests直接请求数据

上面那个程序是直接读selenium的网页内容，用的是find_elements之类的。而且每次读都要打开网页、等待加载，这其实挺繁琐的。

对于不是异步加载的网页，只要个url，就可以用requests来请求了。

请求方式有好几种：requests.get、requests.post、session.get等。

常用前两种，但是我后来发现session的bug少一点：网页反复重定向的时候，据说用session会话请求就不会丢失headers的内容。

session只是多一个步骤罢了。例如：

import requests
headers = {}
sessions = requests.session() # 就多这一个步骤
sessions.headers = headers
r = sessions.get(url, headers = headers)

我写了个比较通用的请求数据的函数，返回的是res和lxml解析的html，
有需要的话可以抱走：

from lxml import etree
def getData(url):
    while (1):
        res = session.get(url, headers=headers)
        if (res.status_code == requests.codes.ok):
            content = res.text
            html = etree.HTML(content)
            return res, html
        elif (res.status_code == 302 or res.status_code == 301):
            print(url + " --重定向到--> " + res.headers["Location"])
            url = res.headers["Location"]
        else:
            print("出问题啦！", res.status_code)
            cookieChange = int(input("是否更换Cookie(输入1或0)："))
            if (cookieChange):
                headers['Cookie'] = input("请输入Cookie：")
            sleep(5)

本账号所有文章均为原创，欢迎转载，请注明文章出处：https://blog.csdn.net/qq_46106285/article/details/125416641。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问出处以查看本文的最新版本。