Python网络爬虫之图片懒加载技术、selenium和PhantomJS

发布时间：2025-11-05 04:36:19 来源：技术快报 作者：IT科技

　　一.图片懒加载

　　什么是网络图片懒加载?

　　案例分析：抓取站长素材http://sc.chinaz.com/中的图片数据

　　运行结果观察发现，我们可以获取图片的爬虫片懒名称，但是加载技术链接获取的为空，检查后发现xpath表达式也没有问题，网络究其原因出在了哪里呢?爬虫片懒

　　图片懒加载概念：

　　图片懒加载是一种网页优化技术。图片作为一种网络资源，加载技术在被请求时也与普通静态资源一样，网络将占用网络资源，爬虫片懒而一次性将整个页面的加载技术所有图片加载完，将大大增加页面的网络首屏加载时间。为了解决这种问题，爬虫片懒通过前后端配合，加载技术使图片仅在浏览器当前视窗内出现时才加载该图片，网络达到减少首屏图片请求数的爬虫片懒技术就被称为“图片懒加载”。

　　网站一般如何实现图片懒加载技术呢?加载技术

　　在网页源码中，在img标签中首先会使用一个“伪属性”(通常使用src2，original......)去存放真正的图片链接而并非是直接存放在src属性中。当图片出现到页面的可视化区域中，会动态将伪属性替换成src属性，完成图片的服务器托管加载。

　　站长素材案例后续分析：通过细致观察页面的结构后发现，网页中图片的链接是存储在了src2这个伪属性中

　　简介

　　selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题 selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器

　　环境安装

　　下载安装selenium：pip install selenium

　　下载浏览器驱动程序：

　　http://chromedriver.storage.googleapis.com/index.html

　　查看驱动和浏览器版本的映射关系：

　　http://blog.csdn.net/huilan_same/article/details/51896672

　　简单使用/效果展示

　　浏览器创建

　　Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等，还有Android、BlackBerry等手机端的浏览器。另外，也支持无界面浏览器PhantomJS。

　　元素定位

　　webdriver 提供了一系列的元素定位方法，常用的有以下几种：

　　注意

　　1、find_element_by_xxx找的是第一个符合条件的标签，find_elements_by_xxx找的是所有符合条件的标签。

　　2、根据ID、CSS选择器和XPath获取，它们返回的结果完全一致。

　　3、另外，Selenium还提供了通用方法find_element()，它需要传入两个参数：查找方式By和值。实际上，WordPress模板它就是find_element_by_id()这种方法的通用函数版本，比如find_element_by_id(id)就等价于find_element(By.ID, id)，二者得到的结果完全一致。

　　节点交互

　　Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法。示例如下：

　　动作链

　　在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法;对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。

　　比如，现在实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处，可以这样实现：

　　执行JavaScript

　　对于某些操作，Selenium API并没有提供。比如，下拉进度条，它可以直接模拟运行JavaScript，此时使用execute_script()方法即可实现，代码如下：

　　获取页面源码数据

　　通过page_source属性可以获取网页的源代码，接着就可以使用解析库(如正则表达式、Beautiful Soup、pyquery等)来提取信息了。

　　前进和后退

　　Cookie处理

　　使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。示例如下：

　　异常处理

　　phantomJS

　　PhantomJS是一款无界面的浏览器，其自动化操作流程和上述操作谷歌浏览器是一致的。由于是无界面的，为了能够展示自动化操作流程，PhantomJS为用户提供了一个截屏的功能，使用save_screenshot函数实现。

　　谷歌无头浏览器

　　由于PhantomJs最近已经停止了更新和维护，所以推荐大家可以使用谷歌的无头浏览器，是一款无界面的谷歌浏览器。

　　登录qq空间，爬取数据

　　尽可能多的爬取豆瓣网中的电影信息

　　selenium规避被检测识别

　　现在不少大网站有对selenium采取了监测机制。比如正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为

　　undefined。而使用selenium访问则该值为true。那么如何解决这个问题呢?

　　只需要设置Chromedriver的启动参数即可解决问题。在启动Chromedriver之前，为Chrome开启实验性功能参数excludeSwitches，它的值为[enable-automation]，完整代码如下：

相关文章