Javascript动态生成的页面信息爬取和openpyxl包FAQ小记

　　最近，笔者在使用Requests模拟浏览器发送Post请求时，发现程序返回的html与浏览器F12观察到的略有不同，经过观察返回的response.text，cookies确认有效，因为我们可以看到返回的登陆信息。然而部分字段的值依然显示为空。

下图是浏览器F12抓包看到的界面：

由于笔者在查看第一个接口请求时，观察浏览器捕获到的Response（html文件）跟页面展示的信息一致，就单纯以为只要用requests库构造这个请求即可。然而实际上第一个表单只是返回了前台页面的框架，很多数据都是通过script、XHR等格式的请求返回数据后，再动态加载到基础框架页面的。

那么直接挑重点，请求下面关键的list.do等xhr信息可以吗？

　　此例中是不可以的，整个前台网页的内容填充是分模块的，后台每个js文件或者json返回都只决定了页面的一部分信息，这就导致要完整获得页面的信息就需要模拟多个请求。更关键的是，前端页面的部分信息是结合后台的返回的json文件经过一定规律的运算后，才返回的最终结果。如果不能定位到页面中的值后台的运算函数，我们无法模拟后台服务器行为构造同样的函数。

这种靠多个JavaScript文件渲染后生成的网页，直接用requests库来爬取就显得难度较大。

此时通过查阅资料，发现有两种方法来解决JavaScript动态生成页面信息的爬取：（参考博客：https://www.cnblogs.com/taolusi/p/9282565.html）

1.1 用dryscrape库动态抓取页面

　　js脚本是通过浏览器来执行并返回信息的，所以，抓取js执行后的页面，一个最直接的方式就是用python模拟浏览器的行为。WebKit 是一个开源的浏览器引擎，python提供了许多库可以调用这个引擎，dryscrape便是其中之一，它调用webkit引擎来处理包含js等的网页！ps：该方法由于其底层操作逻辑（python调用 webkit请求页面，而且等页面加载完，载入js文件，让js执行，将执行后的页面返回），导致实际过程偏慢。

import dryscrape
# 使用dryscrape库 动态抓取页面
def get_url_dynamic(url):
    session_req=dryscrape.Session()
    session_req.visit(url) #请求页面
    response=session_req.body() #网页的文本
    #print(response)
    return response
get_text_line(get_url_dynamic(url)) #将输出一条文本

1.2 使用selenium来完成动态页面的爬取

selenium是一个web测试框架，它允许调用本地的浏览器引擎发送网页请求，所以，它同样可以实现抓取页面的要求。

这也是笔者之前大部分文章中推荐的的框架，所谓“可见即可爬”，只可惜效率较requests后台请求的方式，依旧要慢不少。如果能结合Chrome浏览器的headless模式，静默爬取，则能稍微提升一点效率。开启headless模式代码示例：

from selenium import webdriver
option = webdriver.ChromeOptions()
option.add_argument('headless')
driver = webdriver.Chrome(chrome_options=option)
driver.get(url)  #访问网址
page_content=driver.page_source  #获取js选然后的页面源码

经过上诉操作后，我们就可以拿到页面最终的源码。

但是实际使用中，selenium还有一个问题，就是“可见方可爬”，有些在源码中明明能看到的页面元素，如果前台显示页面，需要点击才会出现，则我们也要模拟浏览器行为，利用click()方法，点击才能拿到相关节点的数据。如：

假如页面停留在“基础信息”界面，如果想取到“审批信息”tab页的信息，则需要模拟点击“审批信息”，这多少会降低爬取效率。

　　此时，建议直接用BeautifulSoup包来解析html文件，再配合万能的正则表达式RE直接取，不到迫不得已尽量不去模拟浏览器点击行为（除非页面源码中没有，需要点击触发js动态返回信息的情况）。

下面是我实际工作中结合源码和bs4（BeautifulSoup），re表达式来爬取特定字段的示例：

whole_text=driver.page_source   #提取加载后的源码
soup=BeautifulSoup(whole_text,"lxml")
haf=str(soup.select('script')[6])   #得到haf字段，再进行后续提取
flowHiComments=re.search('.*?flowHiComments\":(.*?),\"flowHiNodeIds.*?',haf,re.S)
applyerId=soup.find(id="afPersonId")['value']   #根据id查找
applyerName=re.search('.*?applyerName\":\"(.*?)\".*?',haf,re.S).group(1) #根据re表达式的group方法提取字符串特定字段
flowHiComments=json.loads(flowHiComments.group(1))  #得到页面评论信息
with open('.\\CommentFlow\\%s_%s.txt'%(bpmDefName,afFormNumber),'w',encoding="utf-8") as txt:   #将flowHiComments保存为本地txt文件，并对文件进行格式化
    json.dump(flowHiComments,txt,ensure_ascii = False,indent=4)

当拿到特定字段后，就需要逐条对信息进行存储，譬如将信息保存同本地excel文件，这时要用到openpyxl文件。

openpyxl文件对excel新格式的支持比较友好，实际使用中依旧有些地方需要注意：

1.openpyxl默认提供返回excel最后一行（列）的索引号：

利用ws.mas_row和  ws.max_column 两个原生方法即可，但是倘若我们想要读到任意一列的最后一行行号呢？ws.max_row就显得不那么灵活了。

如果要取到A列所有元素到内存，则可以使用的示例代码如下：

name=[]
while True:
    if sheet.cell(num,1).value ==None:
        break
    name.append(sheet.cell(num,1).value)  #名称
    num+=1

B列的取值，同理可得。

2.我们习惯用ws.append()方法按照行来追加数据到表格中，实测，每次内容追加都是从第二行开始（是否考虑第一行为标题行），倘若我们希望程序执行时动态添加标题行呢？

笔者实测了下：

from openpyxl import load_workbook
wb= load_workbook('test2.xlsx')
#wb.active =1
sheet=wb["Sheet1"]
row = [1 ,2, 3, 4, 5]
sheet.append(row)

wb.save('test2.xlsx')

结果执行完后excel端生成的数据是从第二行开始的：

这显然有时无法满足我们的要求，关于第一行如果要传值就不建议使用原生的append方法了，可行的建议如下：

navigation=[]
if ws.cell(1,1).value ==None:
    navigation=["名称","单号","业务描述","申请者","申请者编号","代码","备注"]
    for m in range(len(navigation)):
        ws.cell(1,m+1).value=navigation[m]

上述代码中的navigation列表每个元素当然也能传入爬虫捕获到的字段值（变量），非常灵活！

　　爬虫过程中总是遇到这样那样的问题，归纳和总结加上前人积累的经验 就显得尤为重要，避免重复踩坑！