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。

1.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：

当点击某个分类后，出现具体的产品信息：

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：

2.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:

1 2	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>

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：

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。

3.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！！）

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。

#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 != '' }

可以适当输出一些中间内容，方便在出错时调试。

声明

请尽量通过公开数据进行练习，减缓爬取速度和数量。本篇文章仅用于教学演示，不为学员的任何非法使用进行负责。
（完）