---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)