说在前面： 本文主要介绍如何抓取 页面加载后需要通过JS加载的数据和图片
本文是通过python中的selenium（pyhton包） + chrome（谷歌浏览器） + chromedrive（谷歌浏览器驱动）
chrome 和chromdrive建议都下最新版本（参考地址：https://blog.csdn.net/yoyocat915/article/details/80580066）
同样支持无头模式（不需要打开浏览器）
直接上代码：site_url：需要爬取的地址，CHROME_DRIVER_PATH：chromedrive存放地址
1 def get_dynamic_html(site_url): 2 print('开始加载',site_url,'动态页面') 3 chrome_options = webdriver.ChromeOptions() 4 #ban sandbox 5 chrome_options.add_argument('--no-sandbox') 6 chrome_options.add_argument('--disable-dev-shm-usage') 7 #use headless，无头模式 8 chrome_options.add_argument('--headless') 9 chrome_options.add_argument('--disable-gpu') 10 chrome_options.add_argument('--ignore-ssl-errors') 11 driver = webdriver.Chrome(executable_path=CHROME_DRIVER_PATH,chrome_options=chrome_options) 12 #print('dynamic laod web is', site_url) 13 driver.set_page_load_timeout(100) 14 #driver.set_script_timeout(100) 15 try: 16 driver.get(site_url) 17 except Exception as e: 18 #driver.execute_script('window.stop()') # 超出时间则不加载 19 print(e, 'dynamic web load timeout') 20 data = driver.page_source 21 soup = BeautifulSoup(data, 'html.parser') 22 try: 23 driver.quit() 24 except: 25 pass 26 return soup
返回的一个soup，这样可以对这个soup进行搜索节点，使用select，search，find等方法找到你想要的节点或者数据
同样如果你想变成文本下载下来，则
1 try: 2 with open(xxx.html, 'w+', encoding="utf-8") as f: 3 #print ('html content is:',content) 4 f.write(get_dynamic_html('https://xxx.com').prettify()) 5 f.close() 6 except Exception as e: 7 print(e)
下面详细说一下，beautifusoup的搜索
首先如何定位到一个标签
1.使用 find （这位博主详细介绍了https://www.jb51.net/article/109782.htm）
- find() 返回匹配第一个：如soup.find(name='ul',attrs={class:'hh'}) 返回第一个 class='hh'的ul
- find_all() 返回全部
- find_parent() 搜索父标签，返回第一个
- find_parents()搜索父标签，返回全部
- find_next_sibling()返回下一个同级标签
- find_next_siblings()
- find_previous_sibling() 返回上一个同级标签
- find_previous()返回前面的标签
- find_all_previous()
- find_next()返回后面的标签
- find_all_next()
2.使用select
通过标签名，类名，id 类似 Jquery的选择器 如 soup.select('p .link #link1') 选择定位到 <p class='link' id='link1'></p>
通过属性查找 ，如href ，title，link等属性，如 soup.select('p a[href="http://example.com/elsie"]')
这里匹配到的是最小的 <a href='http://example.com/elsie'></a> 并且他的上级为<p></p>
然后说一下 对节点的操作
删除节点tag.decompose()
在指定位置 插入子节点 tag.insert(0,chlid_tag)
最后通过beautifusoup是筛选元素的一种好的方法，下篇我们介绍正则表达式匹配筛选 爬虫内容