08 Python爬虫之selenium

2023-01-31 00:01:23 python selenium 爬虫

---恢复内容开始---

一. 先介绍图片懒加载技术

  当获取一个网站的图片数据时,只能爬取到图片的名称,并不能获得链接,而且也不能获得xpath表达式。这是应用了图片懒加载技术。

  - 图片懒加载技术的概念:

    -- 图片懒加载是一种网页优化技术。图片作为一种网络资源,在被请求时也与普通静态资源一样,将占用网络资源,而一次性将整个页面的所有图片加载完,将大大增加页面的首屏加载时间。为了解决这种问题,通过前后端配合,使图片仅在浏览器当前视窗内出现时才加载该图片,达到减少首屏图片请求数的技术就被称为“图片懒加载”。

  - 如何实现懒加载数据技术:

    -- 在网页源码中,在img标签中首先会使用一个‘伪属性’(通常是src2,original等)去存放真正的图片链接,而不是直接存放在src属性中。当图片出现到页面可视化区域中,会将伪装属性替换成src属性,完成图片加载。

二. selenium

  selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行javascript代码的问题selenium本质是通过驱动浏览器,完全模拟浏览器的操作,比如跳转、点击、下拉等等,拿到页面渲染之后的结果,并且selenium可以支持多种浏览器。

  - 环境的安装

    -- pip install selenium

    -- 下载浏览器驱动程序:

      Http://chromedriver.storage.Googleapis.com/index.html

 

    -- 查看驱动和浏览器版本的映射关系

      http://blog.csdn.net/huilan_same/article/details/51896672

  简单使用

 1 from selenium import WEBdriver
 2 from time import sleep
 3 
 4 #后边是浏览器的驱动的位置,前面要加r‘’ ,是为了防止字符串转义
 5 driver = webdriver。Chrome(r'驱动程序路径')
 6 # 用get打开百度首页
 7 driver.get("https://baidu.com")
 8 # 查找页面的"设置"选项,并进行点击
 9 driver.find_elements_by_link_text('设置')[0].click()
10 sleep(2)#模拟人的行为
11 # 打开设置后找到"搜索设置"选项,设置为每页显示50条
12 driver.find_elements_by_link_text('搜索设置')[0].click()
13 sleep(2)
14 
15 
16 #选中每页显示50条
17 m = driver.find_element_by_id('id')
18 sleep(2)
19 m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()
20 m.find_element_by_xpath('.//option[3]').click()
21 sleep(2)
22 
23 # 点击保存设置
24 driver.find_elements_by_class_name("prefpanelgo")[0].click()
25 sleep(2)
26 
27 # 处理弹出的警告页面 accept()和取消dismiss()
28 driver.switch_to_alert().accept()
29 sleep(2)
30 
31 #找到百度的输入框,并输入美女
32 #driver.find_element_by_id('kw').send_keys('美女')
33 sleep(2)
34 #点击搜索按钮
35 driver.find_element_by_id('su').click()
36 sleep(2)
37 #在打开的页面中找到"Selenium - 开源社区",并打开这个页面
38 driver.find_element_by_link_text('美女_百度图片')[0].click()
39 sleep(3)
40 
41 #关闭浏览器
42 driver.quit()

   浏览器创建

  Selenium支持非常多的浏览器,如谷歌,火狐,Edge,还有Android,黑莓等手机端的浏览器 另外,也支持无界面浏览器Phantomjs.

1 from selenium import webserver
2 
3 browser  =  webserver.Chrome()
4 browser = webdriver.Chrome()
5 browser = webdriver.Firefox()
6 browser = webdriver.Edge()
7 browser = webdriver.PhantomJS()
8 browser = webdriver.Safari()

  元素定位

  webdriver提供了一系列的元素定位方法,常有的有如下:

1 find_element_by_id()
2 find_element_by_name()
3 find_element_by_class_name()
4 find_element_by_tag_name()
5 find_element_by_link_text()
6 find_element_by_xpath()
7 find_element_by_CSS_selector()

  注意:

    1.find_element_by_xxx找到的是第一个符合条件的标签,find_element_by_xxx找到的是符合条件的标签.

    2.根据ID,CSS选择器和XPATH获取,它们返回的结果完全一致.

    3.另外,selenium还提供通用方法find_element(),需要传入两个参数:查找方式By和值.实际上,它就是find_element_by_id()这种方法的通用函数版本,比如find_element_by_id(id)就等价于find_element(By.ID,id),这两种方式得到的结果一致.

  节点交互

  Selenium可以驱动浏览器来执行一些操作,也就是说可以让浏览器模拟执行一些动作.比较常见的用法有:输入文字时用send_keys()方法,清空文字时用clear()方法,点击按钮时用click()方法.

 1 from selenium import webdriver
 2 import time
 3 
 4 browser = webdriver.Chrome()
 5 browser.get('https://www.taobao.com')
 6 imput = browser.find_element_by_id('q')
 7 input.send_keys('Mac')
 8 time.sleep(1)
 9 input.clear()
10 input.send_keys('Iphone')
11 button = browser.find_element_by_class_name('btn_search')
12 button.click()
13 time.sleep(3)
14 browser.quite()

  动作链

  上方示例中,一些交互动作都是针对某个节点执行的.如:输入框,我们就调用它的输入文字和清空文字的方法;对于按钮,就调用它的点击方法.有的操作,它们没有特定的执行对象,比如鼠标拖拽,键盘按键等,这些动作用另一种方式来执行就是动作链.

  比如,现在实现一个节点的拖拽操作,将某个节点从一处拖拽到另一个地方,代码如下:

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 import time
 4 browser = webdriver.Chrome()
 5 url = 'http://www.runoob.com/try/try.PHP?filename=Jqueryui-api-droppable'
 6 browser.get(url)
 7 browser.switch_to.frame('iframeResult')
 8 source = browser.find_element_by_css_selector('#draggable')
 9 target = browser.find_element_by_css_selector('#droppable')
10 actions = ActionChains(browser)
11 # actions.drag_and_drop(source, target)
12 # actions.perfORM() #执行动作链
13 actions.click_and_hold(source)
14 time.sleep(3)
15 for i in range(5):
16     actions.move_by_offset(xoffset=17,yoffset=0).perform()
17     time.sleep(0.5)
18 
19 actions.release()

  执行JavaScript

  对于某些操作,SeleniumAPI并没有提供.比如: 下拉进度条,它可以直接模拟运行JavaScript,此时使用execute_script()方法即可实现,代码如下:

1 from selenium import webdriver
2 
3 browser = webdriver.Chrome()
4 browser.get('https://www.jd.com')
5 browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
6 browser.execute_script('alert("123")')

  获取页面源码数据

  通过page_source属性可以获取网页的源代码,接着就可以使用解析库(如正则表达式、Beautiful Soup、pyquery等)来提取信息。

  前进和后退

  

 1 import time
 2 form selenium import webdriver
 3 
 4 browser = webdriver.Chrome()
 5 browser.get('https://www.baidu.com')
 6 browser.get('https://www.taobao.com')
 7 browser.get('http://www.sina.com.cn/')
 8 
 9 
10 browser.back()
11 time.sleep(10)
12 browser.forward()
13 browser.close()

  Cookie处理

  使用Selenium,还可以方便的对Cookie进行操作,例如添加获取、添加、删除Cookie等。

 1 from selenium import webdriver
 2 
 3 
 4 browser = webserver.Chrome()
 5 browser.get('http://www.zhihu.com/explore')
 6 print(browser.get_cookies())
 7 browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
 8 print(browser.get_cookies())
 9 browser.delete_all_cookies()
10 print(browser.get_cookies())

  异常处理

 1 from selenium import webdriver
 2 from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
 3 
 4 
 5 try:
 6     browser=webdriver.Chrome()
 7     browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
 8     browser.switch_to.frame('iframssseResult')
 9 
10 except TimeoutException as e:
11     print(e)
12 except NoSuchFrameException as e:
13     print(e)
14 finally:
15     browser.close()

  

  phantomJS

  PhantomJS是一款无界面的浏览器,它自动化操作流程和上述操作谷歌浏览器是一致的.由于是无界面的,为了能够展示自动化操作流程,PhantomJS为用户提供了一个截屏功能,是用哪个save_screenshot函数实现.

 1 from selenium import webdriver
 2 import time
 3 
 4 
 5 #phantomJS路径
 6 path = r'PhantomJS驱动路径'
 7 browser = webdriver.PhantomJS(path)
 8 
 9 
10 #打开百度
11 url = 'http://www.baidu.com/'
12 browser.get(url)
13 
14 time.sleep(3)
15 
16 browser.save_screenshot(r'phantomjs\baidu.png')
17 
18 
19 #查找input输入框
20 my_input = browser.find_element_by_id('kw')
21 #往筐里输入查询内容
22 my_input.send_keys('倪妮')
23 time.sleep(3)
24 #截屏
25 browser.save_screenshot(r'phantomjs\wife.png')
26 
27 
28 #查找搜索按钮
29 button = browser.find_elements_by_class_name('s_btn')[0]
30 button.click()
31 
32 time.sleep(3)
33 
34 browser.save_screenshot(r'phantomjs\son.png')
35 
36 time.sleep(3)
37 
38 browser.quit()

  谷歌无头浏览器

  是一种无界面的谷歌浏览器

 1 from selenium import webdriver
 2 from selenium.webdriver.Chrome.options import Options
 3 import time
 4 
 5 #创建一个参数对象,用来控制Chrome以无界面模式打开
 6 chrome_options = options()
 7 chrome_options.add_argument('--headless')
 8 chrome_options.add_argument('--disable-gpu')
 9 #驱动路径
10 path = r'C:\Users\ZBLi\Desktop\1801\day05\ziliao\chromedriver.exe'
11 
12 
13 #创建浏览器对象
14 browser = webdriver.Chrome(executable_path,chrome_options = chrome_options)
15 
16 
17 #上网
18 url = 'https://www.baidu.com/'
19 browser.get(url)
20 time.sleep(3)
21 
22 
23 browser.save_screenshot('baidu.png')
24 
25 
26 browser.quit()

二.示例

  爬取豆瓣网中的电影信息

 1 from selenium import webdriver
 2 from time import sleep
 3 import time
 4 
 5 if __name__ == '__main__':
 6     url = 'https://movie.douban.com/typerank?type_name=%E6%81%90%E6%80%96&type=20&interval_id=100:90&action='
 7     # 发起请求前,可以让url表示的页面动态加载出更多的数据
 8     path = r'C:\Users\Administrator\Desktop\爬虫授课\day05\ziliao\phantomjs-2.1.1-windows\bin\phantomjs.exe'
 9     # 创建无界面的浏览器对象
10     bro = webdriver.PhantomJS(path)
11     # 发起url请求
12     bro.get(url)
13     time.sleep(3)
14     # 截图
15     bro.save_screenshot('1.png')
16 
17     # 执行js代码(让滚动条向下偏移n个像素(作用:动态加载了更多的电影信息))
18     js = 'window.scrollTo(0,document.body.scrollHeight)'
19     bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
20     time.sleep(2)
21 
22     bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
23     time.sleep(2)
24     bro.save_screenshot('2.png') 
25     time.sleep(2) 
26     # 使用爬虫程序爬去当前url中的内容 
27     html_source = bro.page_source # 该属性可以获取当前浏览器的当前页的源码(html) 
28     with open('./source.html', 'w', encoding='utf-8') as fp: 
29         fp.write(html_source) 
30     bro.quit()

三.selenium规避被检测识别

  正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为 

undefined。而使用selenium访问则该值为true。那么如何解决这个问题呢?

只需要设置Chromedriver的启动参数即可解决问题。在启动Chromedriver之前,为Chrome开启实验性功能参数excludeSwitches,它的值为['enable-automation'],完整代码如下

1 from selenium.webdriver import Chrome
2 from selenium.webdriver import ChromeOptions
3 
4 option = ChromeOptions()
5 option.add_experimental_option('excludeSwitches', ['enable-automation'])
6 driver = Chrome(options=option)

 

    

 

相关文章