08 Python爬虫之selenium

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

---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

 from selenium import webdriver

 from time import sleep

 #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

 driver = webdriver。Chrome（r'驱动程序路径'）

 # 用get打开百度首页

 driver.get("https://baidu.com")

 # 查找页面的"设置"选项,并进行点击

 driver.find_elements_by_link_text('设置')[0].click()

 sleep(2)#模拟人的行为

 # 打开设置后找到"搜索设置"选项,设置为每页显示50条

 driver.find_elements_by_link_text('搜索设置')[0].click()

 sleep(2)

 #选中每页显示50条

 m = driver.find_element_by_id('id')

 sleep(2)

 m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()

 m.find_element_by_xpath('.//option[3]').click()

 sleep(2)

 # 点击保存设置

 driver.find_elements_by_class_name("prefpanelgo")[0].click()

 sleep(2)

 # 处理弹出的警告页面 accept()和取消dismiss()

 driver.switch_to_alert().accept()

 sleep(2)

 #找到百度的输入框,并输入美女

 #driver.find_element_by_id('kw').send_keys('美女')

 sleep(2)

 #点击搜索按钮

 driver.find_element_by_id('su').click()

 sleep(2)

 #在打开的页面中找到"Selenium - 开源社区",并打开这个页面

 driver.find_element_by_link_text('美女_百度图片')[0].click()

 sleep(3)

 #关闭浏览器

 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.

 from selenium import webserver

 browser  =  webserver.Chrome()

 browser = webdriver.Chrome()

 browser = webdriver.Firefox()

 browser = webdriver.Edge()

 browser = webdriver.PhantomJS()

 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:

 find_element_by_id()

 find_element_by_name()

 find_element_by_class_name()

 find_element_by_tag_name()

 find_element_by_link_text()

 find_element_by_xpath()

 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.

 from selenium import webdriver

 import time

 browser = webdriver.Chrome()

 browser.get('https://www.taobao.com')

 imput = browser.find_element_by_id('q')

 input.send_keys('MAC')

 time.sleep(1)

 input.clear()

 input.send_keys('Iphone')

 button = browser.find_element_by_class_name('btn_search')

 button.click()

 time.sleep(3)

 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:

 from selenium import webdriver

 from selenium.webdriver import ActionChains

 import time

 browser = webdriver.Chrome()

 url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'

 browser.get(url)

 browser.switch_to.frame('iframeResult')

 source = browser.find_element_by_css_selector('#draggable')

 target = browser.find_element_by_css_selector('#droppable')

 actions = ActionChains(browser)

 # actions.drag_and_drop(source, target)

 # actions.perform() #执行动作链

 actions.click_and_hold(source)

 time.sleep(3)

 for i in range(5):

     actions.move_by_offset(xoffset=17,yoffset=0).perform()

     time.sleep(0.5)

 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:

 from selenium import webdriver

 browser = webdriver.Chrome()

 browser.get('https://www.jd.com')

 browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')

 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

 import time

 form selenium import webdriver

 browser = webdriver.Chrome()

 browser.get('https://www.baidu.com')

 browser.get('https://www.taobao.com')

 browser.get('http://www.sina.com.cn/')

 browser.back()

 time.sleep(10)

 browser.forward()

 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。

 from selenium import webdriver

 browser = webserver.Chrome()

 browser.get('http://www.zhihu.com/explore')

 print(browser.get_cookies())

 browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})

 print(browser.get_cookies())

 browser.delete_all_cookies()

 print(browser.get_cookies())

异常处理

 from selenium import webdriver

 from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException

 try:

     browser=webdriver.Chrome()

     browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')

     browser.switch_to.frame('iframssseResult')

 except TimeoutException as e:

     print(e)

 except NoSuchFrameException as e:

     print(e)

 finally:

     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.

 from selenium import webdriver

 import time

 #phantomJS路径

 path = r'PhantomJS驱动路径'

 browser = webdriver.PhantomJS(path)

 #打开百度

 url = 'http://www.baidu.com/'

 browser.get(url)

 time.sleep(3)

 browser.save_screenshot(r'phantomjs\baidu.png')

 #查找input输入框

 my_input = browser.find_element_by_id('kw')

 #往筐里输入查询内容

 my_input.send_keys('倪妮')

 time.sleep(3)

 #截屏

 browser.save_screenshot(r'phantomjs\wife.png')

 #查找搜索按钮

 button = browser.find_elements_by_class_name('s_btn')[0]

 button.click()

 time.sleep(3)

 browser.save_screenshot(r'phantomjs\son.png')

 time.sleep(3)

 browser.quit()

谷歌无头浏览器

是一种无界面的谷歌浏览器

 from selenium import webdriver

 from selenium.webdriver.Chrome.options import Options

 import time

 #创建一个参数对象,用来控制Chrome以无界面模式打开

 chrome_options = options()

 chrome_options.add_argument('--headless')

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

 #驱动路径

 path = r'C:\Users\ZBLi\Desktop\1801\day05\ziliao\chromedriver.exe'

 #创建浏览器对象

 browser = webdriver.Chrome(executable_path,chrome_options = chrome_options)

 #上网

 url = 'https://www.baidu.com/'

 browser.get(url)

 time.sleep(3)

 browser.save_screenshot('baidu.png')

 browser.quit()

二.示例

爬取豆瓣网中的电影信息

 from selenium import webdriver

 from time import sleep

 import time

 if __name__ == '__main__':

     url = 'https://movie.douban.com/typerank?type_name=%E6%81%90%E6%80%96&type=20&interval_id=100:90&action='

     # 发起请求前，可以让url表示的页面动态加载出更多的数据

     path = r'C:\Users\Administrator\Desktop\爬虫授课\day05\ziliao\phantomjs-2.1.1-windows\bin\phantomjs.exe'

     # 创建无界面的浏览器对象

     bro = webdriver.PhantomJS(path)

     # 发起url请求

     bro.get(url)

     time.sleep(3)

     # 截图

     bro.save_screenshot('1.png')

     # 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））

     js = 'window.scrollTo(0,document.body.scrollHeight)'

     bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码

     time.sleep(2)

     bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码

     time.sleep(2)

     bro.save_screenshot('2.png')

     time.sleep(2)

     # 使用爬虫程序爬去当前url中的内容

     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）

     with open('./source.html', 'w', encoding='utf-8') as fp:

         fp.write(html_source)

     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

 from selenium.webdriver import Chrome

 from selenium.webdriver import ChromeOptions

 option = ChromeOptions()

 option.add_experimental_option('excludeSwitches', ['enable-automation'])

 driver = Chrome(options=option)