08 Python爬虫之selenium

---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)