zoukankan html css js c++ java

爬虫中的selenium简单学习及案例

selenium

什么是selenium
- 一款基于浏览器自动化的模块
和爬虫的关联:
- 模拟登录
- 便捷的获取动态加载的数据
缺点:
- 爬取数据的效率底
- 环境部署繁琐
模块下载:
- pip install selenium
selenium如何获取动态加载的数据
- 环境安装:pip install selenium
- 基本的使用流程
  - 结合着某一款浏览器驱动程序实例化一个浏览器对象
    - 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
  - 编写自动化操作代码
基本编码流程
- 导包
- 创建一个浏览器对象,且在创建的过程中需要使用浏览器的驱动程序
- 使用get方法进行请求发送
- 指定其他的行为动作对应的代码
- 关闭浏览器

演示程序

#模块引入
from selenium import webdriver
from time import sleep

# 后面是你的浏览器驱动位置，记得前面加r'','r'是防止字符转义的
driver = webdriver.Chrome(r'./chromedriver.exe')
# 用get打开百度页面
driver.get("http://www.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)
# 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('nr')
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   确定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 - 开源中国社区”，并打开这个页面
driver.find_elements_by_link_text('美女_百度图片')[0].click()
sleep(3)

# 关闭浏览器
driver.quit()selenium详细用法

基础案例

from selenium import webdriver
from bs4 import BeautifulSoup
#实例化一个浏览器对象
bro = webdriver.Chrome(executable_path='D:爬虫谷歌访问助手/chromedriver.exe')
#发起一个get请求
bro.get(url='http://125.35.6.84:81/xk/')
#获取当前浏览器页面的源码数据
page_text = bro.page_source
#使用bs4进行解析
soup = BeautifulSoup(page_text,'lxml')
dl_list = soup.select('#gzlist>li>dl')
for dl in dl_list:
    name = dl.string
    print(name)

selenium详细用法

行为动作:
- 标签定位:find系列的函数
  - find_element_by_id()
  - find_element_by_xpath()
- 节点交互
- 点击:click()
  - send_keys('xxx')
- 执行js:
  - bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
- 动作链
  - 导包:from selenium.webdriver import ActionChains
  - 创建一个动作链对象:action = ActionChains(bro)
  - 调用动作链对象中封装的属性和方法:
    - action.click_and_hold(ele)
    - move_by_offset(x,y)
    - perform():立即执行动作链
    - release()
- page_source:返回当前浏览器显示页面的全部页面源码数据
浏览器无头设置
规避检测
截图:save_screenshot('./1.png')

#通过selenium实现浏览器自动化访问淘宝,并搜索关键字'华为'
from time import sleep
from selenium import webdriver
#实例化一个浏览器对象
bro = webdriver.Chrome(executable_path='D:爬虫谷歌访问助手/chromedriver.exe')
#获取淘宝url
bro.get('https://www.taobao.com/')
#find系列的函数是用作于定位标签
search_input = bro.find_element_by_id('q')
#在淘宝首页搜索框中录入一个商品名称
search_input.send_keys('华为')
#阻塞两秒,防止浏览器加载阻塞导致未获取标签
sleep(2)
#执行JS代码
#Js代码,让浏览器滚轮向下拖动一个屏的高度
bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(2)
bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(2)

btn = bro.find_element_by_xpath('//*[@id="J_TSearchForm"]/div[1]/button')
#绑定事件
btn.click()
sleep(2)
#退出浏览器
bro.quit()

模拟登陆访问QQ空间

from selenium import webdriver
from lxml import etree
from time import sleep
#实例化一个浏览器对象
bro = webdriver.Chrome(executable_path='D:爬虫谷歌访问助手/chromedriver.exe')
#获取空间url
bro.get('https://qzone.qq.com/')
#switch_to操作切换frame,此时才能进行登陆页面的操作
bro.switch_to.frame('login_frame')
#点击使用账号密码登陆,需要绑定click事件
bro.find_element_by_id('switcher_plogin').click()

bro.find_element_by_id('u').send_keys('QQ账号')
bro.find_element_by_id('p').send_keys('QQ密码')
#点击登陆,绑定click事件
bro.find_element_by_id('login_button').click()

sleep(2)
#获取登陆页面的所有的文本数据
page_text = bro.page_source
# 进行数据解析
tree = etree.HTML(page_text)
#获取内容
data = tree.xpath('//*[@id="feed_3484622709_311_0_1560755089_0_1"]/div[1]//text()')
print(data)

sleep(3)
bro.quit()

相关的网站会对爬虫的请求实现监测,检测请求是否为selenium进行的发送
如何让selenium规避监测?
- 访问美团网址(规避selenium监视)示例

from time import sleep
from selenium.webdriver import ChromeOptions
from selenium import webdriver
#实例化一个ChromeOptions对象
option = ChromeOptions()
#设置chromedriver启动参数,规避对selenium的检测机制
option.add_experimental_option('excludeSwitches', ['enable-automation'])
#设定url
url = 'https://bj.meituan.com/'
#实例化一个浏览器对象
bro = webdriver.Chrome(executable_path='D:爬虫谷歌访问助手/chromedriver.exe')
# 由于美团做了一定的设置,需要进行两次get请求才可以访问
bro.get(url)
sleep(2)
bro.get(url)
#屏幕截图
bro.save_screenshot('1.png')
#打印当前浏览器页面的源码数据
print(bro.page_source)

如何设置浏览器无可视化界

from selenium.webdriver.chrome.options import Options
from selenium import webdriver
from time import sleep
# 创建一个参数对象，用来控制chrome以无界面模式打开
chrome_options = Options()
#设置谷歌浏览器的页面无可视化
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
#设定url
url = 'https://bj.meituan.com/'
#实例化一个浏览器对象,并把设置的无可视化传入浏览器对象
bro = webdriver.Chrome(executable_path='D:爬虫谷歌访问助手/chromedriver.exe',chrome_options=chrome_options)
bro.get(url)
sleep(2)
bro.get(url)
bro.save_screenshot('2.png')
print(bro.page_source)

phantomJs:
- 就是一款无可视化界面的浏览器,了解即可
- 由于已经停止更新维护,现在已经被弃用
- 多使用谷歌无头浏览器

12306模拟登陆

from chaojiying_Python.chaojiying import Chaojiying_Client
from selenium import webdriver
from selenium.webdriver import ActionChains
from PIL import Image
from time import sleep

#调用超级鹰获取验证码
def get_codeImg_text(imgPath, imgType):
    chaojiying = Chaojiying_Client('loukunpeng813', 'nidayedeqQ123', '	899991')	#用户中心>>软件ID 生成一个替换 96001
    im = open(imgPath, 'rb').read()													#本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    # print(chaojiying.PostPic(im, 1902))
    return chaojiying.PostPic(im, imgType)['pic_str']

#实例化一个浏览器对象,并把设置的无可视化传入浏览器对象
bro = webdriver.Chrome(executable_path='D:爬虫谷歌访问助手/chromedriver.exe')
#获取12306的网站
bro.get('https://kyfw.12306.cn/otn/login/init')
sleep(2)
#账号密码进行模拟登陆
bro.find_element_by_id('username').send_keys('12306账号')
bro.find_element_by_id('password').send_keys('12306密码')

#想要获取验证码图片左上角和右下角亮点坐标,通过这亮点坐标可以形成一个裁剪的矩形区域
code_img_ele = bro.find_element_by_xpath('//*[@id="loginForm"]/div/ul[2]/li[4]/div/div/div[3]/img')
location = code_img_ele.location  # 验证码图片左上角坐标
size = code_img_ele.size #验证码图片的长宽
#指定矩形区域
rangle = (int(location['x']),int(location['y']),int(location['x']+size['width']),int(location['y']+size['height']))
#保存验证码
bro.save_screenshot('aa.png')

i = Image.open('./aa.png')
code_img_name = 'code.png'
frame = i.crop(rangle)
frame.save(code_img_name)
#进行验证码的识别
result = get_codeImg_text(code_img_name,9004)
print(result)
# x1,y1|x2,y2|x3,y3                   x,y
#[[x1,y1],[x2,y2],[x3,y3]]            [[x,y]]
all_list = []
if '|' in result:
    list_1 = result.split('|')
    count_1 = len(list_1)
    for i in range(count_1):
        xy_list = []
        x = int(list_1[i].split(',')[0])
        y = int(list_1[i].split(',')[1])
        xy_list.append(x)
        xy_list.append(y)
        all_list.append(xy_list)
else:
    x = int(result.split(',')[0])
    y = int(result.split(',')[1])
    xy_list = []
    xy_list.append(x)
    xy_list.append(y)
    all_list.append(xy_list)

for l in all_list:
    #x,y就是需要点击的某一个点的坐标
    x = l[0]
    y = l[1]
    #move_to_element_with_offset就是将x,y的参照系转移到指定的标签中
    #每一个动作连的操作都必须基于一个单独的动作连
    ActionChains(bro).move_to_element_with_offset(code_img_ele,x,y).click().perform()

sleep(2)

bro.find_element_by_id('loginSub').click()
sleep(10)

bro.quit()

查看全文

相关阅读:
JSTL 标签库<转>
EL表达式 <转>
前端知识点记录
 spring boot 项目连接数据库查询数据过程
 vue -电子时钟
 XML读取
 Druid 连接池
 java JDBC自我总结
 各种数据库的链接方式总结
 Java MD5获取

原文地址：https://www.cnblogs.com/Godisgirl/p/11042583.html