轻松截获 Selenium 中的 Ajax 数据

这篇文章同样的还是转载崔大的，因为都是一个系列的，所以我就转载出来了，我觉得很实用。原文链接：点我

以下内容为原文。

之前我们介绍了 ajax-hook 来实现爬虫的过程中截获 Ajax 请求，可以看这篇文章如何用 Hook 实时处理和保存 Ajax 数据，在这里再另外介绍一个工具 BrowserMob Proxy，利用它我们同样可以实现 Selenium 爬虫过程中 Ajax 请求的获取。

下面我们来简单介绍一下。

BrowserMob Proxy

BrowserMob Proxy，简称 BMP，它是一个 HTTP 代理服务，利用它我们可以截获 HTTP 请求和响应内容，另外还可以把 Performance data 输出成一个 HAR 文件。

其 GitHub 链接为：https://github.com/lightbody/browsermob-proxy/。

大家可以点击进去看看详情介绍。

实际上其原理就是开了一个代理服务器，然后抓包，同时对接了 Java、Python API，以方便我们可以直接通过代码来获取到内容。

案例

官方的一些介绍比较复杂，而且大多数都是 Java 的对接，在这里我们使用 Python 来实验一下。

这里我们就直接通过一个案例来测试下吧，废话不多说。

还是拿我自己的一个测试网站为案例，链接为：https://dynamic2.scrape.center/。

页面如图所示：

 

其数据都是通过 Ajax 加载的，同时带着一些加密参数：

 

这个网站通过 Selenium 爬的话一点问题也没有，但是由于数据本身就是从 Ajax 加载的，所以如果能直接截获 Ajax 请求的话，连页面解析都省了。

所以这里我们要利用 BrowserMob Proxy 来截获一下试试。

代码实现

要用 Python 实现，我们需要先安装一个 BrowserMob Proxy 的包，命令如下：

pip3 install browsermob-proxy

　　

另外我们还需要下载 browsermob-proxy 的二进制文件，以便于启动 BrowserMob Proxy。

下载的地址见：https://github.com/lightbody/browsermob-proxy/releases

直接下载 build 过的版本即可：

 

比如这里我就下载 browsermob-proxy-2.1.4.zip 文件，直接放到我的项目目录下。

好，接着呢，我们就可以实现如下代码：

from browsermobproxy import Server
import time
from selenium import webdriver
from selenium.webdriver.chrome.options import Options

# 启动代理
server = Server('./browsermob-proxy-2.1.4/bin/browsermob-proxy')
server.start()
proxy = server.create_proxy()
print('proxy', proxy.proxy)

# 启动浏览器
chrome_options = Options()
chrome_options.add_argument('--ignore-certificate-errors')
chrome_options.add_argument('--proxy-server={0}'.format(proxy.proxy))
driver = webdriver.Chrome(options=chrome_options)

# 监听结果
base_url = 'https://dynamic2.scrape.center/'
proxy.new_har(options={
    'captureContent': True,
    'captureHeaders': True
})
driver.get(base_url)
time.sleep(3)

# 读取结果
result = proxy.har
for entry in result['log']['entries']:
    print(entry['request']['url'])
    print(entry['response']['content'])

　　

在这里呢，一共分了四步：

•第一步便是启动 BrowserMob Proxy，它会在本地启动一个代理服务，这里注意 Server 的第一个参数需要指定 BrowserMob Proxy 的可执行文件路径，这里我就指定了下载下来的 BrowserMob Proxy 的 bin 目录的 browsermob-proxy 的路径。

•第二步便是启动 Selenium 了，它可以设置 Proxy Server 为 BrowserMob Proxy 的地址。

•第三步便是访问页面同时监听结果，这里我们需要调用 new_har 方法，同时指定捕获 Resopnse Body 和 Headers 信息，紧接着调用 Selenium 的 get 方法访问一个页面，这时候浏览器便会加载这个页面，同时所有的请求和响应信息都会被记录到 HAR 中。

•第四步便是读取 HAR 到内容了，我们调用 log 到 entries 字段，里面便包含了请求和响应的具体结果，这样所有的请求和响应信息我们便能获取到了，Ajax 的内容也不在话下。

运行结果类似如下：

 

这里可以看到所有的数据都能获取到了，包括 Ajax 结果、JavaScript、CSS 文件内容等等。

这里 har 的内容其实是一个 JSON 对象，里面记录了在访问页面的过程中发生的所有请求和响应内容，一般内容都会记录在 logs 的 entries 字段里面，还有其他的信息如有需要也可以读取。

所以，这样我们就能从 Selenium 中获取 Ajax 请求内容了。

优化

不过像上面这种代码还是不方便啊，不好复用，不好扩展，我们来稍微改写下，代码如下：

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from browsermobproxy import Server
import time
import json

class BaseFramework(object):

    def __init__(self):
        self.server = Server('./browsermob-proxy-2.1.4/bin/browsermob-proxy')
        self.server.start()
        self.proxy = self.server.create_proxy()
        chrome_options = Options()
        chrome_options.add_argument('--ignore-certificate-errors')
        chrome_options.add_argument('--proxy-server={0}'.format(self.proxy.proxy))
        self.browser = webdriver.Chrome(options=chrome_options)

    def process_request(self, request, response):
        pass

    def process_response(self, response, request):
        pass

    def run(self, func, *args):
        self.proxy.new_har(options={
            'captureContent': True,
            'captureHeaders': True
        })
        func(*args)
        result = self.proxy.har
        for entry in result['log']['entries']:
            request = entry['request']
            response = entry['response']
            self.process_request(request, response)
            self.process_response(response, request)

    def __del__(self):
        self.proxy.close()
        self.browser.close()


class MovieFramework(BaseFramework):

    def process_request(self, request, response):
        print(request)

    def process_response(self, response, request):
        if '/api/movie/' in request['url']:
            print(response['content'])
            text = response['content']['text']
            results = json.loads(text)['results']
            for item in results:
                name = item.get('name')
                with open(f'{name}.json', 'w', encoding='utf-8') as f:
                    json.dump(item, f, ensure_ascii=False, indent=2)

    def load(self, url):
        self.browser.get(url)
        time.sleep(3)

if __name__ == '__main__':
    f = MovieFramework()
    for page in range(1, 5):
        url = f'https://dynamic2.scrape.center/page/{page}'
        f.run(f.load, url)

　　

这里框架写的很基础，还有很多需要完善的地方，就只借着这雏形说说大体思路：

•这里我先定义了一个 BaseFramework，就是基础框架，然后里面定义了几个关键方法，__init__ 方法不多说了，就是把一些初始化的工作放进去。然后定义了 run 方法，把 HAR 的声明、访问、读取的操作封装了一下。然后定义了 process_response 和 process_request 的回调，这里就没实现任何操作，可以在子类实现。•如果我们要写一个爬虫的话，可以新建一个子类来继承刚才定义的 BaseFramework，然后可以自己实现 process_request 和 process_response 来处理请求和响应的结果，比如这里我就实现了一个 MovieFramework，然后实现了 process_response 处理响应信息，里面判断了 Ajax 请求的 URL，然后进行了提取和保存处理。里面 load 方法就是自行定义的，里面正常定义逻辑即可。•最后运行的时候使用 run 方法运行自定义的 load 方法即可，传入 load 方法的参数，即可完成页面的加载。同时加载的过程中 process_response 方法就会被回调，对结果进行处理。这里我们就提取了 Ajax 数据，然后保存下来了。

最终运行下，我们就可以看到一条条的电影数据就被保存下来了，如图所示：

 

是不是方便多了？有了它我们连页面解析的那一步都直接省略了，直接拿到了原始 Ajax 数据，舒服。

当然上面的框架还有很多很多需要优化的地方，大家可以参考思路自己实现。