08 Python爬虫之selenium

╰半夏微凉° 2021-11-02 13:18 493阅读 0赞

\---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)

**　　　　**

转载于:https://www.cnblogs.com/a2534786642/p/10969859.html