欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Javascript动态生成的页面信息爬取和openpyxl包FAQ小记

程序员文章站 2022-03-21 18:37:45
最近,笔者在使用Requests模拟浏览器发送Post请求时,发现程序返回的html与浏览器F12观察到的略有不同,经过观察返回的response.text,cookies确认有效,因为我们可以看到返回的登陆信息。然而部分字段的值怡然显示为空。 下图是浏览器F12抓包看到的界面: 由于笔者在查看第一 ......

  最近,笔者在使用requests模拟浏览器发送post请求时,发现程序返回的html与浏览器f12观察到的略有不同,经过观察返回的response.text,cookies确认有效,因为我们可以看到返回的登陆信息。然而部分字段的值怡然显示为空。

下图是浏览器f12抓包看到的界面:

Javascript动态生成的页面信息爬取和openpyxl包FAQ小记

由于笔者在查看第一个接口请求时,观察浏览器捕获到的response(html文件)跟页面展示的信息一致,就单纯以为只要用requests库构造这个请求即可。然而实际上第一个表单只是返回了前台页面的框架,很多数据都是通过script、xhr等格式的请求返回数据后,再动态加载到基础框架页面的。

那么直接挑重点,请求下面关键的list.do等xhr信息可以吗?

  此例中是不可以的,整个前台网页的内容填充是分模块的,后台每个js文件或者json返回都只决定了页面的一部分信息,这就导致要完整获得页面的信息就需要模拟多个请求。更关键的是,前端页面的部分信息是结合后台的返回的json文件经过一定规律的运算后,才返回的最终结果。如果不能定位到页面中的值后台的运算函数,我们无法模拟后台服务器行为构造同样的函数。

这种靠多个javascript文件渲染后生成的网页,直接用requests库来爬取就显得难度较大。

此时通过查阅资料,发现有两种方法来解决javascript动态生成页面信息的爬取:(参考博客:https://www.cnblogs.com/taolusi/p/9282565.html

1.1 用dryscrape库动态抓取页面

  js脚本是通过浏览器来执行并返回信息的,所以,抓取js执行后的页面,一个最直接的方式就是用python模拟浏览器的行为。webkit 是一个开源的浏览器引擎,python提供了许多库可以调用这个引擎,dryscrape便是其中之一,它调用webkit引擎来处理包含js等的网页!ps:该方法由于其底层操作逻辑(python调用 webkit请求页面,而且等页面加载完,载入js文件,让js执行,将执行后的页面返回),导致实际过程偏慢。

import dryscrape
# 使用dryscrape库 动态抓取页面
def get_url_dynamic(url):
    session_req=dryscrape.session()
    session_req.visit(url) #请求页面
    response=session_req.body() #网页的文本
    #print(response)
    return response
get_text_line(get_url_dynamic(url)) #将输出一条文本

1.2 使用selenium来完成动态页面的爬取

selenium是一个web测试框架,它允许调用本地的浏览器引擎发送网页请求,所以,它同样可以实现抓取页面的要求。

这也是笔者之前大部分文章中推荐的的框架,所谓“可见即可爬”,只可惜效率较requests后台请求的方式,依旧要慢不少。如果能结合chrome浏览器的headless模式,静默爬取,则能稍微提升一点效率。开启headless模式代码示例:

from selenium import webdriver
option = webdriver.chromeoptions()
option.add_argument('headless')
driver = webdriver.chrome(chrome_options=option)
driver.get(url) #访问网址
page_content=driver.page_source #获取js选然后的页面源码

经过上诉操作后,我们就可以拿到页面最终的源码。

但是实际使用中,selenium还有一个问题,就是“可见方可爬”,有些在源码中明明能看到的页面元素,如果前台显示页面,需要点击才会出现,则我们也要模拟浏览器行为,利用click()方法,点击才能拿到相关节点的数据。如:

Javascript动态生成的页面信息爬取和openpyxl包FAQ小记

假如页面停留在“基础信息”界面,如果想取到“审批信息”tab页的信息,则需要模拟点击“审批信息”,这多少会降低爬取效率。

  此时,建议直接用beautifulsoup包来解析html文件,再配合万能的正则表达式re直接取,不到迫不得已尽量不去模拟浏览器点击行为(除非页面源码中没有,需要点击触发js动态返回信息的情况)。

下面是我实际工作中结合源码和bs4(beautifulsoup),re表达式来爬取特定字段的示例:

whole_text=driver.page_source   #提取加载后的源码
soup=beautifulsoup(whole_text,"lxml")                  
haf=str(soup.select('script')[6])   #得到haf字段,再进行后续提取
flowhicomments=re.search('.*?flowhicomments\":(.*?),\"flowhinodeids.*?',haf,re.s)
applyerid=soup.find(id="afpersonid")['value']   #根据id查找 
applyername=re.search('.*?applyername\":\"(.*?)\".*?',haf,re.s).group(1) #根据re表达式的group方法提取字符串特定字段
flowhicomments=json.loads(flowhicomments.group(1))  #得到页面评论信息  
with open('.\\commentflow\\%s_%s.txt'%(bpmdefname,afformnumber),'w',encoding="utf-8") as txt:   #将flowhicomments保存为本地txt文件,并对文件进行格式化
    json.dump(flowhicomments,txt,ensure_ascii = false,indent=4)

当拿到特定字段后,就需要逐条对信息进行存储,譬如将信息保存同本地excel文件,这时要用到openpyxl文件。

openpyxl文件对excel新格式的支持比较友好,实际使用中依旧有些地方需要注意:

1.openpyxl默认提供返回excel最后一行(列)的索引号:

利用ws.mas_row和  ws.max_column 两个原生方法即可,但是倘若我们想要读到任意一列的最后一行行号呢?ws.max_row就显得不那么灵活了。

Javascript动态生成的页面信息爬取和openpyxl包FAQ小记

如果要取到a列所有元素到内存,则可以使用的示例代码如下:

name=[]
while true: if sheet.cell(num,1).value ==none: break name.append(sheet.cell(num,1).value) #名称 num+=1

b列的取值,同理可得。

2.我们习惯用ws.append()方法按照行来追加数据到表格中,实测,每次内容追加都是从第二行开始(是否考虑第一行为标题行),倘若我们希望程序执行时动态添加标题行呢?

笔者实测了下:

from openpyxl import load_workbook
wb= load_workbook('test2.xlsx')
#wb.active =1
sheet=wb["sheet1"]
row = [1 ,2, 3, 4, 5]
sheet.append(row)

wb.save('test2.xlsx')

结果执行完后excel端生成的数据是从第二行开始的:

Javascript动态生成的页面信息爬取和openpyxl包FAQ小记

这显然有时无法满足我们的要求,关于第一行如果要传值就不建议使用原生的append方法了,可行的建议如下:

        
navigation=[]
if ws.cell(1,1).value ==none: navigation=["名称","单号","业务描述","申请者","申请者编号","代码","备注"] for m in range(len(navigation)): ws.cell(1,m+1).value=navigation[m]

上述代码中的navigation列表每个元素当然也能传入爬虫捕获到的字段值(变量),非常灵活!

  爬虫过程中总是遇到这样那样的问题,归纳和总结加上前人积累的经验 就显得尤为重要,避免重复踩坑!