还有 Selenium 抓不到的内容?

这是「进击的Coder」的第 404 篇技术分享
作者:kingname
来源:未闻Code

有一些同学在写爬虫的时候,过于依赖 Selenium,觉得只要使用模拟浏览器,在不被网站屏蔽的情况下,就可以爬到任何内容。

今天我们不讨论字体反爬虫和 CSS 反爬虫这两种情况。我们来看一段非常简单的网页。这个网页只有一个HTML 文件,不加载特殊字体,不加载 CSS 文件。

还有 Selenium 抓不到的内容?

这个网页的奇怪之处在哪里呢?我们试一试使用 XPath Helper 来提取网页上面的红色文字,发现XPath 竟然无法找到这段文字,如下图所示:

还有 Selenium 抓不到的内容?

然后我们使用 Selenium 来试一试:

还有 Selenium 抓不到的内容?

Selenium果然无法获取 红字到内容。我们再打印一下网页的源代码:

还有 Selenium 抓不到的内容?

这一次,Selenium 获取到的源代码,竟然跟 Chrome 开发者工具里面显示的源代码不一样?

这个问题的关键,就在开发者工具里面的这样一段文字:

还有 Selenium 抓不到的内容?

因为这个节点是一个shadow DOM[1]。shadow DOM 的行为跟 iframe很像,都是把一段HTML 信息嵌入到另一个 HTML 中。但不同的是,iframe被嵌入的地址需要额外再搭建一个 HTTP服务,而 shadow DOM 可以只嵌入一段 HTML 代码,所以它比 iframe 更节省资源。

在上面的截图中,通过下面这三行代码,我们把一个新的<p>标签嵌入到了原来的 HTML 中:

    var content = document.querySelector('.content');
    var root = content.attachShadow({mode'open'});
    root.innerHTML = '<p class="real_content" style="color: red">你抓不到这段文字的!</p>'

而这个被嵌入的影子标签,就像 iframe 一样,是无法直接使用 Selenium 提取的。如果强行提取,那么,我们需要使用 JavaScript 获取 shadow DOM,然后再进行提取。我们来看一段可以正常工作的代码:

shadow = driver.execute_script('return document.querySelector(".content").shadowRoot')
content = shadow.find_element_by_class_name('real_content')
print(content.text)

运行效果如下图所示:

还有 Selenium 抓不到的内容?

这段代码,首先通过 JavaScript 找到shadow-root的父节点元素,然后返回这个元素的.shadowRoot属性。在 Python 里面拿到这个属性以后,使用.find_element_by_class_name()方法获取里面的内容。

要特别注意的是,拿到shadow-root节点以后,只能通过 CSS 选择器进一步筛选里面的内容,不能用 XPath,否则会导致报错。

参考资料

[1]

shadow DOM: https://developer.mozilla.org/zh-CN/docs/Web/Web_Components/Using_shadow_DOM


还有 Selenium 抓不到的内容?

End

「进击的Coder」专属学习群已正式成立,搜索「CQCcqc4」添加崔庆才的个人微信或者扫描下方二维码拉您入群交流学习。


还有 Selenium 抓不到的内容?

看完记得关注@进击的Coder
及时收看更多好文
↓↓↓

还有 Selenium 抓不到的内容?


点个在看你最好看

原文始发于微信公众号(进击的Coder):还有 Selenium 抓不到的内容?

本站文章资源均来源自网络,除非特别声明,否则均不代表站方观点,并仅供查阅,不作为任何参考依据!
如有侵权请及时跟我们联系,本站将及时删除!
如遇版权问题,请查看 本站版权声明
THE END
分享
二维码
海报
还有 Selenium 抓不到的内容?
这是「进击的Coder」的第 404 篇技术分享 作者:kingname 来源:未闻Code 有一些同学在写爬虫的时候,过于依赖 Selenium,觉得只要使用模拟浏览器……
<<上一篇
下一篇>>