爬虫---08.selenium

• 概念 基于浏览器自动化的模块

• 自动化可以通过代码指定一系列的行为动作 然后将其作用到浏览器中

• pip install selenium

• selenium和爬虫之间的关联

  • 1.便捷的捕获到任意形式动态加载的数据（可见即可得）
  • 2.实现模拟登陆

• 简单实例

  • 注意：网页里可以直接复制xpath路径 在代码部分右键

            from selenium import webdriver
            from time import sleep
    
            # 基于浏览器的驱动程序实例化一个浏览器对象
    
            bro = webdriver.Chrome(executable_path='./chromedriver')
            # 对目的网站发起请求
            bro.get('http://www.jd.com/')
            # 标签定位
            search_text = bro.find_element_by_xpath('//*[@id="key"]')
            search_text.send_keys('iphoneX')        # 向标签中录入数据
    
            btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
            btn.click()
            sleep(2)
            # 在搜索结果页面进行滚轮向下滑动的操作(执行JS操作：js注入)
            bro.execute_script('window.scrollTo(0, document.body.scrollHeight)')
            
            -------------------------------------------------------------------------------------------------------------
    
            from selenium import webdriver
            from time import sleep
            from lxml import etree
    
            url = "http://scxk.nmpa.gov.cn:81/xk/"
    
            bro = webdriver.Chrome(executable_path='./chromedriver.exe')
            bro.get(url)
            page_text_list = []         # 每一页的页面源码数据
            sleep(1)
    
            # 捕获到当前页面对应的页面源码数据
            # 当前页面全部加载完毕后对应的所有数据
            page_text = bro.page_source
            page_text_list.append(page_text)
    
            # 点击下一页
    
            for i in range(2):
                next_page = bro.find_element_by_xpath('//*[@id="pageIto_next"]')
                next_page.click()
                sleep(1)
                page_text_list.append(bro.page_source)
    
            tree = etree.HTML(page_text)
            li_lst = tree.xpath('//*[@id="gzlist"]/li')
            print(li_lst)
    
            for li in li_lst:
                name = li.xpath('./dl/@title')[0]
                print(name)
            sleep(2)
            bro.quit()
    

• selenium的弊端，效率低

• 动作链ActionChains 指的是一系列连续的动作(滑动动作)

• selenium规避检测 有的网站会检测请求是否为selenium发起, 如果是的话则该次请求失败 规避检测的方法是使用浏览器接管技术

  • 这里的步骤是原始的 下边部分是另外看到的 都没尝试过

    • 进入cmd 输入命令
    • chrome.exe --remote-debugging-port=9222 --user-data-dir='C:selenumAutomationProfile'
    • 对于-remote-debugging-port值 可以指定任何打开的端口
    • 对于-usesr-data-dir标记 指定创建新Chrome配置文件的目录。它是为了确保在单独的配置文件中启动chrome,不会污染你的默认配置文件
    • 还有 不要忘了在环境变量中PATH里将chrome的路径添加进去
    • 此时会打开一个浏览器页面，我们数据百度网址 把它当成一个已存在的浏览器

  • 步骤

    • 1.必须将你电脑中安装的谷歌浏览器的驱动程序所在目录找到。且将目录添加到环境变量中。

    • 2.打开cmd 输入上边的指令
      chrome.exe --remote-debugging-port=9222 --user-data-dir='C:selenumAutomationProfile'(后边跟的是一个空文件夹目录)
      指定执行结束后 会打开你本机安装好的谷歌浏览器

    • 3.执行如下代码 可以使用下边代码接管步骤2打开的真实的浏览器

                from selenium import webdriver
                from selenium.webdriver.chrome.options import Options
                chrome_options = Options()
                chrome_options.add_experimental_option('debuggerAddress', '127.0.0.1:9222')
                chrome_driver = 'C:Program Files(x86)GoogleChromeApplicationchromedriver.exe' #(本机安装好的谷歌驱动程序路径)
                driver = webdriver.Chrome(executable_path=chrome_driver, chrome_options=chrome_options)
                print(driver.title)
      

• 无头浏览器 即无可视化界面的浏览器

  • 谷歌无头浏览器（推荐）

  • phantomJs

    点击查看代码

      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')
    
      # 创建浏览器对象
      browser = webdriver.Chrome(executable_path='./chromedriver', chrome_options=chrome_options)
    
      # 上网
      url = 'http://www.baidu.com'
      browser.get(url)
      time.sleep(3)
      # 截图
      browser.save_screenshot('baidu.png')
      print(browser.page_source)
      browser.quit()