三步学会爬动态网站

2019-03-07 108676人围观 ,发现 2 个不明物体 极客

*本文原创作者:qingxp9,本文属于FreeBuf原创奖励计划,未经许可禁止转载

声明

本篇文章仅用于技术讨论,严禁用于任何非法用途。此外,请尽量通过公开数据进行练习,减缓爬取速度和数量。

三步学会爬动态网站

在我们写爬虫程序时,难免会碰到一些动态加载的网页,为获取数据制造了困难。本篇文章我将尝试用非常简短的篇幅来教大家:如何应对动态加载的网页。

以Ruby语言为例,可以在Linux、Mac、Windows等平台上进行实验。

一、目标分析

目标:收集目标网站上公开的所有产品型号

所有的产品通过类型进行分类,如下所示:

image.png

当点击某个分类后,出现具体的产品信息:

image.png

image.png

需要注意的是,这部分产品信息是通过解析参数后动态加载的,这是本篇要解决的主要问题:

二、Nokogiri

https://nokogiri.org/

Nokogiri是一个用于解析HTML, XML, SAX等内容的开源Ruby库,可以通过XPath和CSS选择器语法来操作内容。

安装:

```

apt install ruby

gem install nokogiri

```

通过简单分析,各分类的url位于以下结构中:

```

<ul class="header-subnav-list">

  <li>

    <a></a>

  <</li>

</ul>

```

image.png

由于这些内容在网站中是静态的,我们直接使用open-uri打开目标网页,配合Nokogiri来获取各分类的url:

```

#irb是Ruby的交互式shell,

root@bad:~# irb

require 'nokogiri'

require 'open-uri'

#获取目标网站HTML代码

doc=Nokogiri::HTML(open("http://www.xxxx.com"))

#通过xpath选择器获取目标内容

ar=doc.xpath("//ul[@class='header-subnav-list']//li//a")

href = []

ar.each {|a| href << a["href"]}

```

查看一下获取的列表:

image.png

前面提到,分类里边的产品列表由Javascript动态加载,这时候我们可以使用Watir来获取动态内容。

三、Watir

http://watir.com/

Waitr是一个用于自动化测试的开源Ruby库。Watir将使用跟真人一样的浏览器交互方式来点击链接,填写表单和验证文本。可以配合Chrome、Firefox、IE、Safari、Edge等。

以Chrome为例,除了安装Waitr外,还需要安装chromedriver:

```

gem install watir

apt install chromium-driver

#其他平台可参考https://github.com/SeleniumHQ/selenium/wiki/ChromeDriver

```

当我们使用Watir访问目标网站时,会出现一个受代码控制的Chrome窗口。(不要用鼠标去操作或者关掉它!!)

image.png

由于浏览器加载内容需要一些时间,所以我们适当增加一些休眠时间确保内容加载完成。通过Watir获取了每个页面的内容后,再次通过nokogiri进行获取即可。

image.png

```

#接着上面的代码

require 'watir'

browser = Watir::Browser.new

browser.goto "http://www.xxxx.com#{href[2]}"

sleep(1)

doc=Nokogiri::HTML(browser.html)

ar=doc.xpath("//div[@class='product-list']//ul//li//a//div//span")

ar.each {|a| p a.content if a.content != '' }

```

image.png

可以适当输出一些中间内容,方便在出错时调试。

(完)

*本文原创作者:qingxp9,本文属于FreeBuf原创奖励计划,未经许可禁止转载

发表评论

已有 2 条评论

取消
Loading...

特别推荐

推荐关注

填写个人信息

姓名
电话
邮箱
公司
行业
职位
css.php