---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'phantomjsaidu.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'phantomjswife.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'phantomjsson.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:UsersBLiDesktop1801day05ziliaochromedriver.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:UsersAdministratorDesktop爬虫授课day05ziliaophantomjs-2.1.1-windowsinphantomjs.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)