第三部分動(dòng)態(tài)HTMl處理

1、動(dòng)態(tài)HTML處理,第三部分課程概要,動(dòng)態(tài)html介紹 selenium和phantomjs 機(jī)器視覺和tesseract介紹,后續(xù)爬蟲代碼的建議,動(dòng)態(tài)HTML技術(shù)了解,Selenium和PhantomJS,Selenium Selenium是一個(gè)Web的自動(dòng)化測(cè)試工具，最初是為網(wǎng)站自動(dòng)化測(cè)試而開發(fā)的，Selenium 可以直接運(yùn)行在瀏覽器上，它支持所有主流的瀏覽器（包括PhantomJS這些無界面的瀏覽器），可以接收指令，讓瀏覽器自動(dòng)加載頁(yè)面，獲取需要的數(shù)據(jù)，甚至頁(yè)面截屏 PhantomJS PhantomJS是一個(gè)基于Webkit的“無界面”(headless)瀏覽器，它會(huì)把網(wǎng)站加載到內(nèi)存并

2、執(zhí)行頁(yè)面上的 JavaScript,http:/selenium-python-zh.readthedocs.io/en/latest/waits.html,Selenium和PhantomJS入門,加載網(wǎng)頁(yè)： from selenium import webdriver driver = webdriver.PhantomJS(“c:/pantomjs.exe”) driver.get( driver.save_screenshot(長(zhǎng)城.png) 定位和操作： driver.find_element_by_id(“kw”).send_keys(“長(zhǎng)城”) driver.find_eleme

3、nt_by_id(su).click() 查看請(qǐng)求信息： driver.page_source driver.get_cookies() driver.current_url 退出 driver.close() #退出當(dāng)前頁(yè)面 driver.quit() #退出瀏覽器,頁(yè)面元素定位,用法： find_element_by_id (返回一個(gè)) find_elements_by_xpath （返回一個(gè)列表） find_elements_by_link_text find_elements_by_partial_link_text find_elements_by_tag_name find_ele

4、ments_by_class_name find_elements_by_css_selector 注意點(diǎn): find_element 和find_elements的區(qū)別：返回一個(gè)和返回一個(gè)列表 by_link_text和by_partial_link_text的區(qū)別：全部文本和包含某個(gè)文本 by_css_selector的用法： #food span.dairy.aged by_xpath中獲取屬性和文本需要使用get_attribute() 和.text,動(dòng)手練習(xí),模擬登陸豆瓣網(wǎng),cookie,Cookie相關(guān)用法： cookiename: cookievalue for cookie i

5、n driver.get_cookies() driver.delete_cookie(CookieName) driver.delete_all_cookies(),頁(yè)面等待,為什么需要等待 如果網(wǎng)站采用了動(dòng)態(tài)html技術(shù)，那么頁(yè)面上的部分元素出現(xiàn)時(shí)間便不能確定，這個(gè)時(shí)候就可以設(shè)置一個(gè)等待時(shí)間，強(qiáng)制要求在時(shí)間內(nèi)出現(xiàn)，否則報(bào)錯(cuò) 強(qiáng)制等待 time.sleep(10) 顯式等待(了解) 顯式等待指定某個(gè)條件，然后設(shè)置最長(zhǎng)等待時(shí)間。如果在這個(gè)時(shí)間還沒有找到元素，那么便會(huì)拋出異常了。 WebDriverWait(driver, 10).until( EC.presence_of_element_lo

6、cated(By.ID, myDynamicElement) 隱式等待(了解) 就是簡(jiǎn)單地設(shè)置一個(gè)最大等待時(shí)間，單位為秒。 driver.implicitly_wait(10),chromedirver下載地址:/mirrors/chromedriver phantomjs下載地址:/download.html,動(dòng)手練習(xí),爬取斗魚直播平臺(tái)的所有房間信息 ,應(yīng)用場(chǎng)景： 動(dòng)態(tài)html頁(yè)面請(qǐng)求 登錄獲取cookies 如何使用 導(dǎo)包并且實(shí)例化driver 發(fā)送請(qǐng)求 定位獲取數(shù)據(jù) 保存 退出driver Cookies相關(guān)方法： get_cookies() 頁(yè)面等待 強(qiáng)制等待,Selenium總結(jié),Tesseract,定義： Tesseract是一個(gè)將圖像翻譯成文字的OCR庫(kù)(光學(xué)文字識(shí)別，Optical Character Recognition) 安裝： sudo apt-get install tesseract-ocr 在python中調(diào)用Tesseract pip install pytesseract,Tesseract處理規(guī)范的文字,上圖的圖片如何轉(zhuǎn)化為字符串？,在終端中： tesseract test.jpg text 在py