前幾天有位微信讀者問我一個爬蟲的問題，就是在爬去百度貼吧首頁的熱門動態下面的圖片的時候，爬取的圖片總是爬取不完整，比首頁看到的少。原因他也大概分析了下，就是後面的圖片是動態加載的。他的問題就是這部分動態加載的圖片該怎麼爬取到。
分析
他的代碼比較簡單，主要有以下的步驟：使用BeautifulSoup庫，打開百度貼吧的首頁地址，再解析得到id為new_list標籤底下的img標籤，最後將img標籤的圖片保存下來。
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'
}
data=requests.get("https://tieba.baidu.com/index.html",headers=headers)
html=BeautifulSoup(data.text,'lxml')前面提到過，有部分圖片是動態加載的，那麼首先我們得弄清楚，這部分圖片是怎麼動態加載的。在瀏覽器中打開百度貼吧的首頁，可以明顯的看到，在往下滾動滾動條的時候，當滾動到底部的時候，滾動條縮短了，並向上移動了一段距離。這個現象也正是有DOM元素動態的添加到了html文檔的一個表現。動態加載數據無非就是ajax請求，而ajax本質上就是XMLHttpRequest請求(簡稱xhr)。在谷歌瀏覽器中，我們可以通過開發者工具的network面板來監測xhr請求。
剛打開首頁時的xhr請求，這裡的請求都和要爬取的圖片無關。
滾動條向下第1次滾動到底部，這裡請求的是第20-40條熱門動態，包含要爬取圖片。
滾動條向下第2次滾動到底部，這裡請求的是第40-60條熱門動態，包含要爬取圖片。並且返回的的has_more:false表明沒有跟多數據了。
滾動條向下第3次滾動到底部，再無xhr請求。
解決方案
根據上面的分析，我們已經明白，單純使用BeautifulSoup進行爬蟲的時候，只能爬取到1-20條熱門動態裡面的圖片。為了爬取到完整的熱門動態裡面的圖片，我們則需要模擬瀏覽器的滾動條滾動，讓網頁去觸發xhr請求更多的熱門動態。
在python中，如果需要模擬瀏覽器的行為，可以使用selenium庫。selenium庫是一個自動化測試框架，可以用來模擬測試瀏覽器的各種行為，這裡我們使用它來模擬瀏覽器打開百度貼吧的首頁，並模擬滾動條向下滾動到底部的操作。
安裝
pip install selenium
下載瀏覽器驅動
- 火狐瀏覽器驅動，其下載地址是：https://github.com/mozilla/geckodriver/releases
- 谷歌瀏覽器驅動，其下載地址是：http://chromedriver.storage.googleapis.com/index.html?path=2.33/
- opera瀏覽器驅動，其下載地址是：https://github.com/operasoftware/operachromiumdriver/releases
對照自己電腦安裝的瀏覽器和對應的版本，分別從上面的地址下載驅動文件，也可以從我的github項目中統一下載以上幾個驅動(地址:https://github.com/Sesshoumaru/attachments/tree/master/Selenium%20WebDriver)。下載解壓後，將所在的目錄添加系統的環境變量中。當然你也可以將下載下來的驅動放到python安裝目錄的lib目錄中，因為它本身已經存在於環境變量（我就是這麼幹的）。
使用python代碼模擬瀏覽器行為
要使用selenium先需要定義一個具體browser對象，這裡就定義的時候就看你電腦安裝的具體瀏覽器和安裝的哪個瀏覽器的驅動。這裡以火狐瀏覽器為例：
from selenium import webdriver
browser = webdriver.Firefox()
再模擬打開貼吧首頁：
browser.get("https://tieba.baidu.com/index.html") 再模擬滾動條滾動到底部
for i in range(1, 5):
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
time.sleep(1)
最後再使用BeautifulSoup，解析圖片標籤：
html = BeautifulSoup(browser.page_source, "lxml")
imgs = html.select("#new_list li img")
幾個注意點
- 必須安裝瀏覽器和瀏覽器驅動，並且瀏覽器和瀏覽器驅動要配到 即如果使用谷歌瀏覽器模擬網頁行為，則需要下載谷歌瀏覽器驅動； 如果使用火狐瀏覽器模擬網頁行為，則需要下載火狐瀏覽器驅動
- 瀏覽器驅動所在的目錄要在環境變量中，或者定義瀏覽器browser的時候指定驅動的路徑
selenium更多用法
查找元素
from selenium import webdriver
browser = webdriver.Firefox()
browser.get("https://tieba.baidu.com/index.html")
new_list = browser.find_element_by_id('new_list')
user_name = browser.find_element_by_name ('user_name')
active = browser.find_element_by_class_name ('active')
p = browser.find_element_by_tag_name ('p')
# find_element_by_name 通過name查找單個元素
# find_element_by_xpath 通過xpath查找單個元素
# find_element_by_link_text 通過鏈接查找單個元素
# find_element_by_partial_link_text 通過部分鏈接查找單個元素
# find_element_by_tag_name 通過標籤名稱查找單個元素
# find_element_by_class_name 通過類名查找單個元素
# find_element_by_css_selector 通過css選擇武器查找單個元素
# find_elements_by_name 通過name查找多個元素
# find_elements_by_xpath 通過xpath查找多個元素
# find_elements_by_link_text 通過鏈接查找多個元素
# find_elements_by_partial_link_text 通過部分鏈接查找多個元素
# find_elements_by_tag_name 通過標籤名稱查找多個元素
# find_elements_by_class_name 通過類名查找多個元素
# find_elements_by_css_selector 通過css選擇武器查找多個元素
獲取元素信息
btn_more = browser.find_element_by_id('btn_more')
print(btn_more.get_attribute('class')) # 獲取屬性
print(btn_more.get_attribute('href')) # 獲取屬性
print(btn_more.text) # 獲取文本值
元素交互操作
btn_more = browser.find_element_by_id('btn_more')
btn_more.click() # 模擬點擊,可以模擬點擊加載更多
input_search = browser.find_element(By.ID,'q')
input_search.clear() # 清空輸入執行JavaScript
# 執行JavaScript腳本
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')
閱讀更多 有趣的程序媛 的文章
