内容简介:本篇文章仅用于技术讨论,严禁用于任何非法用途。此外,请尽量通过公开数据进行练习,减缓爬取速度和数量。在我们写爬虫程序时,难免会碰到一些动态加载的网页,为获取数据制造了困难。本篇文章我将尝试用非常简短的篇幅来教大家:如何应对动态加载的网页。
*本文原创作者:qingxp9,本文属于FreeBuf原创奖励计划,未经许可禁止转载
本篇文章仅用于技术讨论,严禁用于任何非法用途。此外,请尽量通过公开数据进行练习,减缓爬取速度和数量。
三步学会爬动态网站
在我们写爬虫程序时,难免会碰到一些动态加载的网页,为获取数据制造了困难。本篇文章我将尝试用非常简短的篇幅来教大家:如何应对动态加载的网页。
以 Ruby 语言为例,可以在 Linux 、Mac、Windows等平台上进行实验。
一、目标分析
目标:收集目标网站上公开的所有产品型号
所有的产品通过类型进行分类,如下所示:
当点击某个分类后,出现具体的产品信息:
需要注意的是,这部分产品信息是通过解析参数后动态加载的,这是本篇要解决的主要问题:
二、Nokogiri
Nokogiri是一个用于解析HTML, XML, SAX等内容的开源Ruby库,可以通过XPath和CSS选择器语法来操作内容。
安装:
`` apt install ruby gem install nokogiri ```
通过简单分析,各分类的url位于以下结构中:
`` <ul class="header-subnav-list"> <li> <a></a> <</li> </ul> ```
由于这些内容在网站中是静态的,我们直接使用open-uri打开目标网页,配合Nokogiri来获取各分类的url:
``
```
#irb是Ruby的交互式shell,
root@bad:~# irb
require 'nokogiri'
require 'open-uri'
#获取目标网站HTML代码
doc=Nokogiri::HTML(open(" http://www.xxxx.com "))
#通过xpath选择器获取目标内容
ar=doc.xpath("//ul[@class='header-subnav-list']//li//a")
href = []
ar.each {|a| href << a["href"]}
```
查看一下获取的列表:
前面提到,分类里边的产品列表由Javascript动态加载,这时候我们可以使用Watir来获取动态内容。
三、Watir
Waitr是一个用于自动化测试的开源Ruby库。Watir将使用跟真人一样的浏览器交互方式来点击链接,填写表单和验证文本。可以配合Chrome、Firefox、IE、Safari、Edge等。
以Chrome为例,除了安装Waitr外,还需要安装chromedriver:
``
```
gem install watir
apt install chromium-driver
#其他平台可参考 https://github.com/SeleniumHQ/selenium/wiki/ChromeDriver
```
当我们使用Watir访问目标网站时,会出现一个受代码控制的Chrome窗口。(不要用鼠标去操作或者关掉它!!)
由于浏览器加载内容需要一些时间,所以我们适当增加一些休眠时间确保内容加载完成。通过Watir获取了每个页面的内容后,再次通过nokogiri进行获取即可。
``
```
#接着上面的代码
require 'watir'
browser = Watir::Browser.new
browser.goto " http://www.xxxx.com# {href[2]}"
sleep(1)
doc=Nokogiri::HTML(browser.html)
ar=doc.xpath("//div[@class='product-list']//ul//li//a//div//span")
ar.each {|a| p a.content if a.content != '' }
```
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。