为了便利化使用selenium驱动浏览器进行操作，遇到一个网页，大部分内容都是通过xhr请求后再通过前端js处理显示，带来的一个问题就是，采用显示等待无法准确的定位到需要的节点。因此，需要考虑采用判断xhr请求是否完成后再进行定位，或者直接获取xhr请求返回内容的做法。
对于selenium爬虫来说，以下是几个需要注意的要点：
1、确定好爬取目标和数据结构：在开始爬取过程前，需要明确爬取目标和目标数据的结构。
2、使用合适的浏览器驱动：selenium需要一个浏览器驱动来控制浏览器，需要根据自己使用的浏览器版本下载相应版本的浏览器驱动。
3、掌握好定位元素的方法：在爬取网页内容时，需要掌握好如何定位需要爬取的元素，使用selenium提供的定位方法，如通过id、name、class、xpath等。
4、设置合适的间隔时间：避免爬取过快导致封IP或者被识别为恶意爬虫，需要设置合适的间隔时间。
5、处理网页加载时的动态内容：对于需要模拟点击、滚动等动作才能显示出的网页内容，需要使用selenium提供的模拟点击、滚动等方法。
总之，需要结合具体需求和网站特性来合理应用selenium爬虫技术。
直接上代码：
import json
from selenium import webdriver
from selenium.webdriver import DesiredCapabilities
import os,time配置浏览器启动参数
def get_log_options():
option = webdriver.ChromeOptions()
option.add_argument('--no-sandbox')
#option.add_argument('--headless') # 设置无头浏览
option.add_argument("--disable-extensions")
option.add_argument('--disable-infobars') # 禁用浏览器正在被自动化程序控制的提示
option.add_argument("--allow-running-insecure-content")
option.add_argument("--ignore-certificate-errors")
option.add_argument("--disable-single-click-autofill")
option.add_argument("--disable-autofill-keyboard-accessory-view[8]")
option.add_argument("--disable-full-form-autofill-ios")
option.add_argument('user-agent=Mozilla/5.0 (Macintosh; Intel Mac OS X 10.14; rv:55.0) Gecko/20100101 Firefox/55.0')
option.add_experimental_option('w3c', False)
option.add_experimental_option('perfLoggingPrefs', {
'enableNetwork': True,
'enablePage': False,
})
option.add_experimental_option('prefs',{
#不弹出去请求
'profile.default_content_settings.popups':0,
#设置默认下载文件目录
'download.default_directory':save_folder,
# 禁止提示
'profile.default_content_setting_values':{
'notifications': 2
}
})
return option
def get_caps():
caps = DesiredCapabilities.CHROME
caps['loggingPrefs'] = {
'browser': 'ALL',
'performance': 'ALL',
}
caps['perfLoggingPrefs'] = {
'enableNetwork': True,
'enablePage': False,
'enableTimeline': False
}
return caps
# 获取日志中的xhr结果
def get_xhr_logs(chrome):
log_xhr_array = []
for typelog in chrome.log_types:
perfs = chrome.get_log(typelog)
for row in perfs:
log_data = row
message_ = log_data['message']
try:
log_json = json.loads(message_)
log = log_json['message']
if log['method'] == 'Network.responseReceived':
# 去掉静态js、css等，仅保留xhr请求
type_ = log['params']['type']
if type_ == "XHR":
log_xhr_array.append(log)
except:
pass
return log_xhr_array
# 根据id获取返回结果
def get_xhr_body(driver, requestId):
response_body = driver.execute_cdp_cmd('Network.getResponseBody', {'requestId': requestId})
return response_body考虑部分xhr请求较慢，增加一个判断指定请求是否完成的函数来判断执行情况。
# 等待直到某个xhr出现,返回整个异步情况吧
def wait_until_xhr_do(url='',limit = 10):
tick = 0
while tick < limit:
logs = get_xhr_logs(chrome)
if url == '':
if len(logs) > 0:
return logs
else:
for log in logs:
if url in logs['params']['response']['url']:
return logs
tick = tick + 1
return []最终案例参考：
if __name__ == '__main__':
# 使用工具类来获取options配置，而不是平时的webdriver.ChromeOptions()方法
options = get_log_options()
# 使用工具类来获取caps
desired_capabilities = get_caps()
# 这里也可以对options和caps加入其他的参数，比如代理参数等
chrome = webdriver.Chrome(options=options, desired_capabilities=desired_capabilities)
chrome.get("http://jshk.com.cn/") # "https://www.baidu.com/"
chrome.maximize_window()
# 点击下一页
el= chrome.find_element_by_xpath('//button[@class="btn-next"]')
el.click()
# 执行等待
logs = wait_until_xhr_do()
# 输出结果
if len(logs) > 0:
print(logs[0]['params']['response']['url'])
body = get_xhr_body(chrome, logs[0]['params']['requestId'])
# 使用eval转换遇到null会有问题，改为使用Json转换
response = json.loads((body['body']))
print(response)