爬虫的终极解决方案selenium+phantomjs/Headless Chrome

女爷i 2022-05-23 09:56 239阅读 0赞

首先安装selenium:pip install selenium

如果你想要让谷歌以页面的形式完成自动化的操作，你可以下载一个和你的谷歌版本相对应的谷歌浏览器驱动，下载地址如下：http://chromedriver.storage.googleapis.com/index.html，谷歌浏览器版本和驱动的对应关系可以在下面的链接中查看：http://blog.csdn.net/huilan\_same/article/details/51896672

小试一下(向百度里面输入豆瓣电影并进行自动点击)：

from selenium import webdriver

import time

\#模拟创建一个浏览器对象，然后可以通过对象去操作浏览器

pt  = r'F:\\google驱动\\2.36\\chromedriver.exe'

browser = webdriver.Chrome(executable\_path=pt)

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

browser.get(url)

\#暂停2秒，已达到完全模拟浏览器的效果

time.sleep(2)

\#查找百度页面的input输入框

baidu\_input = browser.find\_element\_by\_id('kw')

\#向百度框里面输入文字

baidu\_input.send\_key('豆瓣电影')

\#暂停2秒

time.sleep(2)

\#查找百度的搜索按钮

bt = browser.find\_elements\_by\_class\_name('s\_btn')\[0\]

bt.click()

\#暂停5秒

time.sleep(5)

\#关闭并退出浏览器

browser.quit()

selenium:是一个python的一个第三方库，对外提供的接口可以操作浏览器，然后让浏览器自动完成一些操作，使用下面的方法，查找指定的元素可进行操作:find\_element\_by\_id ：根据id找节点；find\_elements\_by\_name ：根据name查找；find\_elements\_by\_xpath：根据xpath查找；find\_elements\_by\_tag\_name ：根据标签名查找；find\_elements\_by\_class\_name：根据class名字查找；find\_elements\_by\_css\_selector：根据选择器查找；find\_elements\_by\_link\_text ：根据链接内容查找。

PhantomJS：是一款无界面的浏览器，以爬取阳关宽频网上的视频为例：

'''  
首先向365yg.com发送请求，并获取响应，然后去解析响应，将里面所有标题链接获取到并依次向每个标题链接发送请求  
并获取响应，从而解析响应，获取video标签的src属性，并向src属性发送请求，获取响应，然后将内容保存到本地即可。

'''

代码如下：

import requests  
from lxml import etree  
import json  
import time  
from selenium import webdriver  
\#请求头  
headers =\{  
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',  
\}  
def handle\_title(widen):  
\#将捕获的接口得到  
\#api/pc/feed/?max\_behot\_time=1528197881&category=video\_new&utm\_source=toutiao&widen=1&tadrequire=true&as=A1854BD1F608533&cp=5B16D825E323BE1&\_signature=g4eNzwAA2J0KZrRVc9EFpoOHjd HTTP/  
url = 'http://www.365yg.com/api/pc/feed/?max\_behot\_time=1528200083&category=video\_new&utm\_source=toutiao&widen=\{\}&tadrequire=true&as=A1D55B5186189B9&cp=5B16A8F94BB90E1&\_signature=oP61JRAa-.cpH4y.oI8FF6D-tT'  
url = url.format(widen)  
\# 发送请求信息  
r = requests.get(url=url, headers=headers)  
\# 解析内容,因为返回的是json格式数据，直接解析json格式即可  
\# 通过分析，要data里面的 title\\source\_url  
\# 将json数据转化为python对象  
obj = json.loads(r.text)  
\# 取出所有和视频相关的数据,data是一个列表，里面存放的都是字典  
data = obj\['data'\]  
\# 循环data列表，依次取出每一个视频信息  
for video\_data in data:  
title = video\_data\['title'\]  
a\_href = 'http://www.365yg.com' + video\_data\['source\_url'\]  
\# 发送请求，获取内容，解析内容，获取src  
handle\_href(a\_href, title)  
def handle\_href(a\_href,title):  
\# 通过phantomjs来进行解决，  
browser = webdriver.PhantomJS(r'F:\\爬虫知识\\day05\\ziliao\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')  
browser.get(a\_href)  
time.sleep(3)  
\# 获取源码，生成tree对象，然后查找video里面的src属性  
tree = etree.HTML(browser.page\_source)  
video\_src = tree.xpath('//video\[@id="vjs\_video\_3\_html5\_api"\]/source/@src')\[0\]  
filepath = 'shipin/' + title + '.mp4'  
print('%s开始下载......' % title)  
r = requests.get(video\_src)  
with open(filepath, 'wb') as fp:  
fp.write(r.content)  
print('%s结束下载' % title)  
def main():  
\#解析首页，返回所有的标题链接  
for i in range(1,2):  
handle\_title(i)  
if \_\_name\_\_ == '\_\_main\_\_':

main()

以上是通过phantomjs进行实现的，可是由于现在phantomjs都不维护了，所以也可以使用无头浏览器来进行操作，不过注意这种无头浏览器模式，在mac、linux上，版本号在59+以上，才支持这种模式，在windows上，要求版本号在60+以上，才支持这种模式。

代码如下：

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'F:\\google驱动\\2.36\\chromedriver.exe'  
\# 创建浏览器对象  
browser = webdriver.Chrome(executable\_path=path, chrome\_options=chrome\_options)  
url = 'http://www.baidu.com/'  
browser.get(url)

time.sleep(3)

\#为当前浏览器所到的页面进行拍照

browser.save\_screenshot('baidu.png')  
browser.quit()