第5章动态页面采集技术与Python实现
5.1动态页面内容的生成与交互
5.1.1页面内容的生成方式

动态页面区别于静态页面的最主要特征是页面内容的生成方式,动态页面的内容的生成方式可以分成两类,即服务器端生成、客户端生成。
1. 服务器端生成

采用这种方式进行管理的内容包括新闻信息、通知、广告等,它是Web页面内容生成的主要途径。基于这种方式可以很方便地进行内容管理,目前市场上有很多Web内容管理系统(Content Management System,CMS)就提供了在后台进行Web内容管理的平台。通过这种方式可以方便地应对Web内容繁杂、制作发布、扩展性等方面的问题。

在这种内容生成方式中,页面的主要内容与页面的结构和表现方式一般是分离的。页面主要内容可以存储在各种数据库系统中,而决定结构和表现方式的HTML标签和语句则是存储在Web服务器上,因此在应用架构上采用的是Client/Server/Database模式。在Web页面中使用脚本语言连接数据库、向数据库发起查询请求、对查询结果进行格式化等,最终生成包含具体内容的页面,并推送给客户端。
在Web页面中经常使用的脚本语言有JSP、ASP、PHP等,使用这些语言连接数据库、查询数据库、生成给用户的HTML文档。一个简单的例子是用户登录,用户访问login.htm,在输入用户名和密码之后,将这些信息提交给results.jsp,在该文件中进行脚本的动态执行,从而完成上述过程。




1) login.htm



<%@ page contentType="text/html;charset=gb2312"%>

<html xmlns="http://www.w3.org/1999/xhtml">

<head>

<title>登录</title>

</head>

<body>

<form id="loginForm" name="login" action="results.jsp" method="get" target="_blank">

 <p>用户名</p>

<input type="text" name="username" size="44">

 <p>密码</p>

<input type="text" name="password" size="44">

<input type="submit" value="提交" />

</form>

</body>

</html>





2) results.jsp



<%@ page contentType="text/html;charset=gb2312"%>

<%@ page import = "java.sql.ResultSet,java.sql.Statement,java.sql.SQLException,java.sql.Connection,java.sql.DriverManager,javax.servlet.*, javax.servlet.http.*, java.io.*, java.net.URLEncoder" %>

<%

String username, passwd;

username = request.getParameter("username"); 

passwd = request.getParameter("password");

String drivername="com.microsoft.jdbc.sqlserver.SQLServerDriver";

String uname="sqlinjection";

String userpassword="sql";

String dbname="sqlinject";

String url = "jdbc:microsoft:sqlserver://127.0.0.1:1433;DatabaseName=sql";

Class.forName(drivername).newInstance();









Connection conn=DriverManager.getConnection(url,"sqluser", "sql1234");

Statement stmt=conn.createStatement();

ResultSet rs = stmt.executeQuery (""select * from users where username='"+username+"' and passwd="+passwd");

 if(rs.next()){

 out.print("<center><h3>登录成功!<h3></center>");

 } else {

 out.print("<center><h3>登录不成功!<h3></center>");

 }

stmt.close();

conn.close();

%>





为了执行这些脚本代码,在数据库中存储有users表,该表包含两个字段,即username和passwd。这样可以在后台配置users表中的记录,从而来决定返回给浏览器的信息。

另一种在服务器上进行内容生成的途径是在HTML文档中嵌入SSI(Server Side Include)指令。包含这种指令的文件的默认扩展名是.stm、.shtm或.shtml,这样当客户端访问这类文件时,Web服务器端会对这些文件进行读取和解析,把文件中包含的SSI指令解释出来,最终生成HTML文档推送给客户端。与内容生成有关的常见指令是include,使用方法是在HTML文档中的合适位置插入命令: 



<!--#include file="文件名"-->






其中,文件名是一个用相对路径表示的文件,例如<!--#include file="head_news.htm"-->将head_news.htm文件的内容插入到当前页面。

这种通过指令嵌入来生成动态页面的典型场合是当不同Web页面包含某些相同的内容时,将这些内容定义为一个独立的文件,然后嵌入到其他Web页面中。例如,在新浪新闻页面中都有一个如图51所示的导航条,就可以将这些内容定义为一个独立的HTML文档。这样可以省去在不同新闻页面中编写导航条的麻烦。



图51导航条



2. 客户端生成

根据这种内容生成方式,内容是在客户端上生成,而客户端主要是浏览器。受限于浏览器的能力,客户端生成的内容一般是轻量级的、局部的,例如给用户提示警告信息、显示定时时间等。

在这种生成方式下,Web页面中需要嵌入一定的脚本或插件。常用的脚本语言包括JavaScript、VBScript、ActionScript等,插件包括Active X控件、Flash插件等。这些脚本或插件具备对浏览器事件做出响应、读写HTML中的元素、创建或修改Cookie等功能,这些功能的实现要求客户端具有执行脚本、下载并执行插件的能力。通过在浏览器内执行这些脚本或插件功能,实现Web页面内容的生成,并进行动态更新。

由于需要在浏览器的进程空间中执行代码,所以这种方式可能会影响客户端安全。许多恶意的脚本代码就通过这种途径对本地计算机产生安全风险,所以浏览器一般都会提供让用户进行自行配置的界面,如图52所示。



图52浏览器执行脚本的配置



5.1.2动态页面交互的实现

动态页面的交互是指浏览器和Web服务器之间的命令参数传递方式,按照命令参数的不同提供方式,主要有用户提供和Cookie提供两种方式。不管是哪种方式,通常使用JavaScript等脚本语言来生成带参数的URL,最终发送给服务器。URL的发送有通过Ajax引擎和非Ajax引擎两种。下面分别介绍这里提到的一些关键技术。
1. 通过URL传递请求参数
URL即统一资源定位,用来表示资源在互联网上的地址。URL具有以下的形式: 



协议://域名部分:端口号/目录/文件名.文件后缀?参数1=值#标志&参数2=值#标志





其中,对于Web页面请求而言,协议可以是http或https。如果使用默认的80作为端口号,则可以省略。?表示第一个参数的开始,起到分隔的作用。URL可以携带多个参数及其值,在上面给出的形式中包含了两个参数。基本形式是"参数=值",不同参数之间用&连接起来。#标志表示书签,用于访问一个Web页面中的特定部分。带参数的URL的两个例子如下: 



https://search.jd.com/Search?keyword=互联网大数据&enc=utf-8

https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=0&rsv_idx=1&tn=baidu&wd=bigdata





在用户参与的情况下,生成动态页面所需要的参数一般是通过输入框、下拉列表框、按钮等基本的HTML控件来完成。生成URL则是浏览器在控件的相关事件中调用JavaScript等语言编写的脚本来完成的。
图53所示为京东的搜索页面部分,它包含了一个输入框和一个按钮,相应的HTML源代码如下: 




<div class="form">

<input type="text" onkeydown="javascript:if(event.keyCode==13) search('key');" autocomplete="off" id="key" accesskey="s" class="text" />

<button onclick="search('key');return false;" class="button cw-icon"><i></i>搜索</button>

</div>








图53输入搜索



当按下回车键或单击按钮时,浏览器执行相应的脚本,最终生成包含参数的URL,具有如下形式: 



https://search.jd.com/Search?keyword=互联网大数据&enc=utf-8





表示搜索的关键词是“互联网大数据”,编码方式是utf8。
2. 通过Cookie获取命令参数
在Cookie中记录了一些客户端和服务器之间交互的参数,例如购物网站上用户设定的城市、登录用户名和口令等,这样对于需要用户登录的页面,就可以自动读取Cookie内容作为请求的参数。具体过程是这样的,在浏览器的地址栏中输入URL,浏览器根据域名及作用范围来寻找相应的Cookie文件,如果文件存在,则将该Cookie中的内容读出,并填充在HTTP请求头上发送给服务器。

图54所示为在Chrome浏览器的开发者视图下看到的访问淘宝网时的HTTP请求头,可以看出Cookie是以“Cookie: name1=value1; name2=value2;...”的形式传递参数给服务器的。




图54访问淘宝网时的HTTP请求头



3. Ajax
Ajax是一种基于JavaScript并整合XHTML、XML、DOM等技术实现的客户端/服务器端动态页面编程框架。1999年微软公司发布IE5,引入一个新功能,即允许JavaScript脚本向服务器发起HTTP请求,这个技术在后来被称为Ajax,其全称是Asynchronous JavaScript and XML。
支持Ajax的浏览器配置有Ajax引擎,Ajax通过XMLHttpRequest和Web服务器进行异步通信,利用iframe技术实现按需获取数据。Ajax通常用于在后台与服务器进行少量数据交换,在不重新加载整个网页的情况下对网页的局部进行更新,最大程度地减少冗余请求,避免给服务器造成太大的负担,也更有助于提高用户体验。
Ajax这种类型的动态页面机制通常是在一定条件下触发的,归纳起来主要有以下两种途径。
1) 页面中的定时器

Web页面按照一定的时间间隔自动执行脚本,从而发起Ajax请求。典型的页面例子是包含股票实时行情数据的Web页面。
图55所示为新浪股票行情页面,页面上的当前价格等信息按照一定的时间自动更新。



图55Web页面中的实时内容显示



2) 鼠标或键盘事件驱动
Web页面中要显示的内容比较多,但是为了用户体验,一般事先只显示部分内容,随着用户阅读的进行,不断滚动鼠标或按
PgDn键自动获取更多内容并显示。在这个过程中获取更多内容的方式,通常也是Ajax一种请求。在各种新闻网站,例如新浪新闻中,一个典型的页面可参见“http://news.sina.com.cn/o/20181106/docihmutuea7351575.shtml”,当用户在浏览器上向下翻页时会不断出现更多的新闻列表。另一个典型的例子是各种电商网站上的商品评论,通常事先显示评论的少数记录,
之后随着用户不断按PgDn键或向下滚动鼠标,会有更多的评论记录显示出来。

5.2动态页面采集技术

根据5.1节中关于动态网页内容生成与交互方式的叙述,动态网页的采集技术也与交互方式直接相关。采集技术可以归纳为以下4种类型。
(1) 构造带参数的URL,利用参数传递动态请求; 
(2) 构造Cookie携带参数,利用HTTP头部传递动态请求的参数; 
(3) 离线分析Ajax的动态请求,使用静态页面采集技术或者通过Cookie、POST等形式发送请求参数; 
(4) 模拟浏览器技术。
在这4种方式中最简单的是第一种,只要拼接出正确的URL即可。当页面本身使用Cookie传递参数时,爬虫就可以通过Cookie发送请求参数。Ajax动态请求技术是当前使用最广泛的,其基本步骤包括分析页面、获取URL、获取动态请求参数以及传递参数。模拟浏览器技术实际上是调用浏览器内核来模拟真实用户的点击和按键等操作,因此在执行效率上
要比其他方式低得多,但是能够执行一些比较复杂的脚本,模拟复杂的交互操作。

这4种技术手段适用于不同的动态页面交互方式,在进行爬虫程序设计时应当根据页面的具体情况选择。
5.3使用带参数的URL
带参数的URL具有以下形式: 



协议://域名部分:端口号/目录/文件名.文件后缀?参数1=值#标志&参数2=值#标志





其中,参数1、参数2等多个参数通过&连接,参数名称可以通过网页的HTML源代码获得,也可以直接观察页面请求时的URL
获得。这种方法比较简单、直接,但是需要注意参数值的编码方式。
图56所示为京东的搜索页面部分,它包含了一个输入框和一个按钮,上面是生成的URL。




图56搜索与对应的URL



“https://search.jd.com/Search?keyword=互联网大数据处理技术与应用&enc=utf8”表示搜索的关键词是“互联网大数据
处理技术与应用”,编码方式是utf8。因此,爬虫在采集类似动态页面时就可以直接填写关键词,构成完整的带参数的URL,然后发送给Web服务器。

然而,参数在URL中可能是经过编码的,例如同样的搜索命令在当当网中显示查询的关键词是经过编码后的,如图57所示。



图57经过编码的带参数URL




在2.2节中对网页字符编码进行了归纳,主要有utf8、gbk、gb2312、unicode,这些编码方式同样适用于URL的参数。字符串编码的转换方式见2.2节所述。通过以下简单的编码测试,可以发现图57所示的例子对URL的参数采用了gbk编码。



>>> n='互联网大数据处理技术与应用'#unicode

>>> n.encode('gbk')

b'\xbb\xa5\xc1\xaa\xcd\xf8\xb4\xf3\xca\xfd\xbe\xdd\xb4\xa6\xc0\xed\xbc\xbc\xca\xf5\xd3\xeb\xd3\xa6\xd3\xc3'

>>>





综合上述内容来看,这种动态页面采集技术比较简单,关键在于构建合适的URL。以下是一个例子,将URL的参数存放在字典中,则可以通过字典和字符串的相关运算符来拼接带参数的URL。



url = 'https://search.jd.com/Search'

#以字典存储查询的关键词及属性

qrydata = {

'keyword':'互联网大数据',

'enc':'utf-8',

}

lt = []

for k,v in qrydata.items():

lt.append(k+'='+str(v))

query_string = '&'.join(lt)



url = url + '?'+query_string

print(url)





这段程序最终生成的URL是“https://search.jd.com/Search?keyword=互联网大数据&enc=utf8”。



视频讲解



5.4利用Cookie和Session
在第3章对Cookie的一些基本知识及其在HTTP协议中的使用方法进行了介绍,在这里要掌握如何在爬虫中实现基于Cookie的动态交互过程。该过程分为两个环节,一是Cookie的获得(或构造),二是将Cookie传递到服务器。

由于Cookie中的内容通常是由服务器生成的,客户端只是简单地将内容存储到本地。因此,在一般情况下需要通过合适的手段获得Cookie内容。最简单、准确的方式是通过浏览器的开发者工具或开发者模式,例如在Google浏览器中可以跟踪到访问thelion.com时的HTTP请求信息,能够看出该网站使用了Cookie,如图58所示。只要将Cookie的属性值复制出来,保存成文本文件即可,例如thelion.txt。



图58通过浏览器获得Cookie内容



从图中可以看出Cookie是以“Cookie: name1=value1; name2=value2;...”的形式存在的,这里指出了所传递的参数及参数值。因此在Python中可以将Cookie的内容以字典的形式存储。由于Cookie的传递是通过HTTP协议的请求头,所以需要在requests.get
()中指定cookies的属性值。以下是完整的例子。



Prog-4-cookie-demo.py

#Python 3.6环境

import requests



f=open(r'taobao-hk.txt') #打开所保存的cookies内容文件

cookies={}#初始化cookies字典变量


for line in f.read().split(';'): 

#按照字符进行划分读取。若将其设置为1,就会把字符串拆分成两份

 name,value=line.strip().split('=',1)

 cookies[name]=value#为字典cookies添加内容



r=requests.get("https://www.taobao.com/",cookies=cookies) #cookies中的内容作为参数





如3.5.2节所述,Cookie存在被截获而导致个人敏感信息泄露的风险,此外连续多次访问同一台Web服务器时,反复申请与释放资源容易造成时间消耗。为了避免这些问题,在爬虫请求时可以使用Session技术。在Python中使用Session的方法是通过requests的Session类,以下例子展示了使用Session进行页面采集的方法。



import requests

def bySession(URL):

sess=requests.Session()#获得Session对象

response=sess.get(URL)       #使用get、post等方法提交请求

#后续可以使用response对象的各种方法获得响应信息





但是也要注意,Session是由服务器创建,Session的长时间存在容易增加服务器的存储成本。因此,在设计友好的爬虫时,需要在信息泄露风险、时间消耗和服务器的存储成本之间综合权衡。

5.5使用Ajax: 以评论型页面为例

Web页面可以使用JavaScript等脚本语言生成带参数的URL,并最终可能通过Ajax引擎发送到服务器上执行,因此可以获得最终发给服务器的URL作为爬虫的爬行任务。在这种动态页面访问方式中,最重要的关键技术问题是要寻找到Ajax动态加载的请求URL地址。此外,如果在向Web服务器发送请求,需要携带参数,则可以采取5.3节介绍的做法,也有的网页可能要求通过POST方式动态提交参数。
同样,上述问题都可以采用最常用的方法,即通过浏览器的开发者工具或开发者模式来检测请求信息。



视频讲解



5.5.1获取URL地址
很多实时性比较强的网站都采用Ajax进行内容的动态加载,例如提供实时天气、股票行情等的网站。这类信息的自动获取就需要寻找相应的URL,以新浪财经的股票实时信息为例,其网址是“https://finance.sina.com.cn/stock/”。在浏览器中输入该网址,进入浏览器的开发者模式。Google Chrome浏览器提供的分析功能比较合适,在开发者模式下选择Network、JS,如图59所示,即可看到页面中加载的JS。



图59在开发者模式下查看JS



如果JS是定时重复执行的,可以结合页面数据的更新情况寻找对应的JS,单击之后,即可看到关于该JS发送URL的请求头和响应信息,如图510所示。图中Request URL对应的值即为请求数据的URL。然后直接使用程序模拟请求,就可以从接口获取到返回的数据,一般情况下Ajax返回的数据是以JSON形式封装的,这样信息提取过程就会比较容易。



图510查看JS发送的请求信息




第二种获得URL地址的方法是通过请求头的Referer属性,3.4.3节中提到,在请求头中该属性表示所请求的URL是哪个页面中的链接。当网站信息结构或交互过程比较复杂时,通过第一种方法不一定能获得Request URL,这时可以分析请求头的Referer属性。下面以携程酒店评论信息页面的请求为例来说明。

图511所示为酒店评论的入口页面,页面上提示有600条评论,当将鼠标指针移动到“酒店点评”处时可以看出,其超链接指向了“javascript:void(0)”。在其他很多网站的动态页面中都有类似的链接,显然爬虫通过这个链接无法获得真正评论的URL。



图511酒店评论的入口页面




如果要获得这些评论,首先要找到请求的URL。在进入开发者模式之后,通过鼠标点击操作可以在评论信息页面检查对应的请求过程。如图512所示,通过Network下的XHR选项可以在请求头的Referer属性中找到评论的URL,即图中选中的部分。这里的XHR类型是指通过XMLHttpRequest方法发送的请求,可以在这里检查页面中发送的请求。



图512通过Referer属性寻找所需要的URL



但是当遇到加密的JS时,要分析并找到请求地址就会非常困难,需要耐心寻找页面特征,以及在不同页面交互的过程中寻找动态请求之间的关系,这样就有可能获得最终发送给Web服务器的请求信息。
5.5.2获取动态请求参数

一般情况下,Ajax的动态请求使用带参数的URL,这时可以直接使用前面提到的方法来构造URL。
页面还可以通过提交(POST)数据的方式向服务器发送请求的动态参数,在携程、亚马逊等许多存在用户评论的网站上广泛使用这种技术。在这种方式下,最终表现出来的URL并不是以“https://search.jd.com/Search?keyword=互联网大数据&enc=utf8”这种通过关键字值对表示的URL,而是通过POST的方式提交数据。因此,只要能获得POST的数据及形式就可以向服务器发送请求了。
图513是携程酒店评论页面在浏览器开发者模式下的结果,可以看出在请求时采用了Payload的参数传递方式,这是Ajax的一种典型方式,在许多类似的动态页面中都存在。从图中可以看出请求的ContentType是application/json,具体参数在Payload中。




图513POST请求参数Request Payload



因此,只要将这些参数复制出来写到程序中。例子如下: 



import requests

import json

#以下payload数据来自浏览器看到的结果

payload={"hotelId":441351,"pageIndex":2,"tagId":0,"pageSize":10,"groupTypeBitMap":2,"needStatisticInfo":0,"order":0,"basicRoomName":"","travelType":-1,"head":{"cid":"09031064410687402660","ctok":"","cver":"1.0","lang":"01","sid":"8888","syscode":"09","auth":"","extension":[]}}

payloadHeader = {

 'Content-Type': 'application/json',

}

#封装成为JSON形式

data=json.dumps(payload)

#以POST方法发送URL请求,同时指定所携带的参数给函数参数data

res=requests.post(url, data=json.dumps(payload), headers=payloadHeader)

res.encoding = 'utf-8'





那么这段程序运行后,即可通过res.text()获取到评论记录信息。由于是动态请求,
所以在Payload中包含了丰富的信息来实现页面的动态内容。在页面没有经过混淆等处理的情况下,可以直接通过参数名称大体判断其含义。但是如果参数经过了混淆处理,则需要通过一定的观察和分析才能具体确定每个参数的含义。




视频讲解



5.6模拟浏览器——以自动登录邮箱为例

模拟浏览器有3种实现方式,一种是以模拟特定浏览器的header信息方式来实现对浏览器的模拟; 一种是使用浏览器内核(
例如WebKit); 还有一种是直接在浏览器上开发组件(Firefox/Chrome)实现动态页面的采集。其中,第一种方式只是简单地在爬虫程序调用requests.get()时指定headers参数,以下例子是一种基本用法。



useragent='Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Mobile Safari/537.36'

http_headers = {

'User-Agent':useragent,

'Accept': 'text/html'

#其他头部属性

}

page=requests.get(url, headers=http_headers)#URL要请求的网址





其中,useragent的值可以通过在浏览器的开发者模式下查看请求头,获取对应的UserAgent。

在页面的JS脚本比较复杂、Ajax交互较多或存在不同页面之间大量数据交换的情况下,使用浏览器组件模拟浏览器进行页面内容的采集比较合适。这里以Selenium为例介绍具体方法。Selenium是一套完整的Web应用程序测试系统,包含了测试的录制
(Selenium IDE)、编写及运行(Selenium Remote Control)和测试的并行处理(Selenium Grid)。它可以模拟真实浏览器,支持多种浏览器,在爬虫中主要用来解决JavaScript渲染问题。

这里以爬虫自动登录邮箱,查看有没有新邮件为例。为达到目的,需要经过安装配置、页面结构分析和程序实现3个步骤,以下分别介绍。
1. 安装配置

在Python下安装Selenium,执行pip install selenium即可,如图514所示。安装完成后,下载chromedriver (http://chromedriver.storage.googleapis.com/index.html),这里以Chrome为例。chromedriver的版本有很多,用户一定要下载与计算机上Chrome浏览器版本相对应的版本。在下载zip包之后将其解压,发现里面仅有一个chromedriver.exe文件,需要放到Chrome浏览器安装目录(即chrome.exe所在的目录)里面,如图515所示。



图514安装Selenium






图515将chromedriver.exe放到Chrome浏览器安装目录里



最后将chromedriver.exe所在的目录名称添加到操作系统的path环境变量中,即完成安装配置过程。
2. 页面结构分析
这里以登录邮箱为例(https://mail.fudan.edu.cn/),爬虫自动输入用户名、密码,单击“登录”按钮,相应的页面部分如图516所示。通过页面的源代码寻找界面控件对应的控件名称,用户名为uid、密码为password、“登录”按钮为Button。



图516邮箱登录页面的部分



登录以后,通过浏览器开发者模式下的Source选项找到信息的位置,即新邮件数,如图517所示。



图517寻找所需要的信息(新邮件数)



3. 程序实现
在上述步骤分析完成之后就可以写出Python程序了,以下是主体函数。



from bs4 import BeautifulSoup

from selenium import webdriver

from selenium.webdriver.chrome.options import Options

import time

import getpass



def start_browser(uid, passwd):#参数为用户ID和口令

#调用图形界面

chrome_options = Options()

chrome_options.add_argument('--headless')

chrome_options.add_argument('--disable-gpu')

browser = webdriver.Chrome(chrome_options=chrome_options)

browser.get('https://mail.fudan.edu.cn/')#指定URL

time.sleep(2) #延迟,等待返回



#模拟填写登录信息

browser.find_element_by_id("uid").send_keys(uid)







browser.find_element_by_id("password").send_keys(passwd)

#模拟单击“登录”按钮

browser.find_element_by_class_name("Button").click()

time.sleep(2)



#登录以后的页面中划分了Frame,切换到相应的Frame中进行信息提取

browser.switch_to.frame('welcome')

html=browser.page_source

#使用BeautifulSoup,具体用法在第6章介绍

soup = BeautifulSoup(html, 'html.parser') 

try:

 params = soup.select('.fNewMail')[0].text.strip()

 print("有"+str(params)+"封新邮件!")

except IndexError as e:

 print("没有新邮件!")



#关闭浏览器

browser.quit()

return





从这段程序可以看出,通过模拟浏览器获取页面内容的主要步骤是: 通过webdriver.Chrome初始化浏览器对象,使用浏览器对象进行URL的访问,根据页面中的输入框或按钮的名称调用send_keys或click方法模拟键盘输入或鼠标点击,接着通过浏览器对象的page_source属性获得页面内容,最后通过quit方法关闭浏览器对象。
通过浏览器组件来模拟浏览器的优点是使用简单,复杂的事都交给框架去处理。但是其缺点也是很明显的,在执行过程中需要启动控制台进程,执行速度慢,需要动态地执行JS,并模拟人的浏览器操作。
思考题
1. 页面内容的生成方式有哪几种?
2. 通过URL传递请求参数时URL的特征是什么?如何获得实际传递的参数和值?
3. 找一个实际的Web页面,其中包含Ajax请求,并通过浏览器的开发者工具查看请求的URL。
4. 编写程序,实现通过POST发送请求参数。
5. 学习使用模拟浏览器Selenium进行页面内容采集的方法。