爬虫04 /asyncio、selenium规避检测、动作链、无头浏览器

爬虫04 /asyncio、selenium规避检测、动作链、无头浏览器

目录

• 爬虫04 /asyncio、selenium规避检测、动作链、无头浏览器
  • 1. 协程asyncio
  • 2. aiohttp多任务异步爬虫
  • 3. selenium的使用
  • 4. 动作链
  • 5. 12306模拟登录分析
  • 6. selenium规避风险
  • 7. 无头浏览器
  • 总结：

1. 协程asyncio

• 协程基础

  • 特殊的函数

    • 就是async关键字修饰的一个函数的定义

    • 特殊之处：

      特殊函数被调用后会返回一个协程对象

      特殊函数调用后内部的程序语句没有被立即执行

  • 协程

    • 对象。协程==特殊的函数。协程表示的就是一组特定的操作。

  • 任务对象

    • 高级的协程（对协程的进一步的封装）/任务对象表示一组指定的操作

      任务对象协程特殊的函数

      任务对象==特殊的函数

    • 绑定回调/一般用于解析：

      task.add_done_callback(task)

      参数task：当前回调函数对应的任务对象

      task.result():返回的就是任务对象对应的特殊函数的返回值

  • 事件循环对象

    • 创建事件循环对象
    • 将任务对象注册到该对象中并且开启该对象
    • 作用：loop可以将其内部注册的所有的任务对象进行异步执行

  • 代码示例：

  import asyncio
  from time import sleep
  
  # 特殊的函数
  async def get_request(url):
      print('正在下载:',url)
      sleep(2)
      print('下载完毕：',url)
  
      return 'page_text'
  # 回调函数的定义（普通的函数）
  def parse(task):
      # 参数表示的就是任务对象
      print('i am callback!!!',task.result())
  
  # 特殊函数的调用
  c = get_request('www.lbzhk.com')
  
  # 创建一个任务对象
  task = asyncio.ensure_future(c)
  # 给任务对象绑定一个回调函数
  task.add_done_callback(parse)
  
  # 创建一个事件循环对象
  loop = asyncio.get_event_loop()
  # 将任务对象注册到该对象中并且开启该对象
  loop.run_until_complete(task)   # 让loop执行了一个任务
  
  

• 多任务协程

  • 挂起：就是交出cpu的使用权。

    wait(tasks):给每个任务对象赋予一个可被挂起的的权限

  • await：被用作特殊函数内部（被阻塞）

  • 代码示例：

  import asyncio
  from time import sleep
  import time
  # 特殊的函数
  async def get_request(url):
      print('正在下载:',url)
      await asyncio.sleep(2)
      print('下载完毕：',url)
      return 'i am page_text!!!'
  
  def parse(task):
      page_text = task.result()
      print(page_text)
  
  start = time.time()
  urls = ['www.1.com','www.2.com','www.3.com']
  
  tasks = []  # 存储的是所有的任务对象。多任务！
  for url in urls:
      c = get_request(url)
      task = asyncio.ensure_future(c)
      task.add_done_callback(parse)
      tasks.append(task)
  
  loop = asyncio.get_event_loop()
  # asyncio.wait(tasks):给每一个任务对象赋予一个可被挂起的权限
  loop.run_until_complete(asyncio.wait(tasks))
  
  print('总耗时：',time.time()-start)
  

2. aiohttp多任务异步爬虫

• 实现异步爬取的条件

  • 不能在特殊函数内部出现不支持异步的模块代码，否则会中断整个的异步效果
  • requests模块不支持异步
  • aiohttp是一个支持异步的网络请求模块

• 使用aiohttp模块实现多任务异步爬虫的流程

  • 环境安装

    pip install aiohttp
    

  • 编码流程：

    大致的架构:

    with aiohttp.ClientSession() as s:            
    # s.get(url,headers,params,proxy="http://ip:port")
        with s.get(url) as response:
            # response.read()二进制/相当于requests的.content
            page_text = response.text()
            return page_text
    

    细节补充：

    1. 在每一个with前加上async，标记是一个特殊函数
    2. 需要在每一个阻塞操作前加上await

    async with aiohttp.ClientSession() as s:
        # s.get(url,headers,params,proxy="http://ip:port")
        async with await s.get(url) as response:
            # response.read()二进制（.content）
            page_text = await response.text()
            return page_text
    

• 代码示例：

  import asyncio
  import aiohttp
  import time
  from bs4 import BeautifulSoup
  # 将被请求的url全部整合到一个列表中
  urls = ['http://127.0.0.1:5000/bobo','http://127.0.0.1:5000/jay','http://127.0.0.1:5000/tom']
  start = time.time()
  
  async def get_request(url):
      async with aiohttp.ClientSession() as s:
          # s.get(url,headers,params,proxy="http://ip:port")
          async with await s.get(url) as response:
              # response.read()二进制（.content）
              page_text = await response.text()
              return page_text
  
  def parse(task):
      page_text = task.result()
      soup = BeautifulSoup(page_text,'lxml')
      data = soup.find('div',class_="tang").text
      print(data)
  tasks = []
  for url in urls:
      c = get_request(url)
      task = asyncio.ensure_future(c)
      task.add_done_callback(parse)
      tasks.append(task)
  
  loop = asyncio.get_event_loop()
  loop.run_until_complete(asyncio.wait(tasks))
  
  print('总耗时：',time.time()-start)
  

3. selenium的使用

• selenium和爬虫之间的关联：

  • 模拟登录

  • 便捷的捕获到动态加载的数据

    特点：可见及可得

    缺点：效率低

• selenium概念/安装

  • 概念：基于浏览器自动化的一个模块。

  • 环境的安装：

    pip install selenium
    

• selenium的具体使用

  准备浏览器的驱动程序：http://chromedriver.storage.googleapis.com/index.html

• selenium演示程序

  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')
  # 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基本使用指令

  from selenium import webdriver
  bro = webdriver.Chrome(executable_path='./chromedriver.exe')
  
  # 请求的发送：
  bro.get(url)
  
  # 标签定位
  # 使用xpath定位
  search = bro.find_element_by_xpath('//input[@id="key"]')  
  # 使用id定位
  search = bro.find_element_by_id('key')
  # 使用class类值定位
  search = bro.find_elements_by_class_name('prefpanelgo')
  
  # 向指定标签中录入文本数据
  search.send_keys('mac pro')
  # 模拟点击
  search.click()
  # JS注入
  bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
  # 处理弹出的警告页面   确定accept() 和 取消dismiss()
  bro.switch_to_alert().accept()
  # switch_to.frame进行指定子页面的切换
  bro.switch_to.frame('iframeResult')
  
  # 捕获到当前页面的数据
  page_text = bro.page_source
  # 保留当前页面截图
  bro.save_screenshot('123.png')
  
  # 关闭浏览器
  bro.quit()
  

• selenium简单使用示例代码：

  from selenium import webdriver
  from time import sleep
  # 结合着浏览器的驱动实例化一个浏览器对象
  bro = webdriver.Chrome(executable_path='./chromedriver.exe')
  
  # 请求的发送
  url = 'https://www.jd.com/'
  bro.get(url)
  sleep(1)
  # 标签定位
  # bro.find_element_by_xpath('//input[@id="key"]')
  search = bro.find_element_by_id('key')
  search.send_keys('mac pro')   # 向指定标签中录入文本数据
  sleep(2)
  btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
  btn.click()
  sleep(2)
  # JS注入
  bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
  
  # 捕获到当前页面的数据
  page_text = bro.page_source
  print(page_text)
  sleep(3)
  
  bro.quit()
  

• 动态加载数据的捕获代码示例：

  http://125.35.6.84:81/xk/,对药监总局前3页的企业名称进行爬取

  from selenium import webdriver
  from lxml import etree
  from time import sleep
  bro = webdriver.Chrome(executable_path='./chromedriver.exe')
  url = 'http://125.35.6.84:81/xk/'
  bro.get(url)
  page_text = bro.page_source
  
  all_page_text = [page_text]
  # 点击下一页
  for i in range(2):
      # 获取标签
      nextPage = bro.find_element_by_xpath('//*[@id="pageIto_next"]')
      # 进行点击
      nextPage.click()
      sleep(1)
      all_page_text.append(bro.page_source)
  
  # 对爬取到的数据进行解析
  for page_text in all_page_text:
      tree = etree.HTML(page_text)
      li_list = tree.xpath('//*[@id="gzlist"]/li')
      for li in li_list:
          name = li.xpath('./dl/@title')[0]
          print(name)
  
  sleep(2)
  bro.quit()
  

4. 动作链

• 动作链概念/使用流程

  • ActionChains，一系列的行为动作

    动作链对象action和浏览器对象bro是独立的

  • 使用流程：

    1. 实例化一个动作链对象，需要将指定的浏览器和动作链对象进行绑定

    2. 执行相关的连续的动作

    3. perform()立即执行动作链制定好的动作

• 示例代码：

  from selenium import webdriver
  from selenium.webdriver import ActionChains # 动作链
  from time import sleep
  bro = webdriver.Chrome(executable_path='./chromedriver.exe')
  
  url = 'https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
  
  bro.get(url)
  # NoSuchElementException:定位的标签是存在与iframe之中，则就会抛出这个错误
  # 解决方法：switch_to.frame进行指定子页面的切换
  bro.switch_to.frame('iframeResult')
  div_tag = bro.find_element_by_xpath('//*[@id="draggable"]')
  
  # 实例化一个动作链对象
  action = ActionChains(bro)
  action.click_and_hold(div_tag)   # 点击且长按
  
  # perform()让动作链立即执行
  for i in range(5):
      action.move_by_offset(xoffset=15,yoffset=15).perform()
      sleep(2)
  action.release()
  sleep(5)
  bro.quit()
  

5. 12306模拟登录分析

• 模拟登录流程：

  1. 将当前浏览器页面进行图片保存
  2. 将验证码的局部区域进行裁剪
     • 捕获标签在页面中的位置信息
     • 裁剪范围对应的矩形区域
     • 使用Image工具进行指定区域的裁剪
  3. 调用打码平台进行验证码的识别/返回对应的坐标位置

• 代码示例：

  from selenium import webdriver
  from selenium.webdriver import ActionChains
  from time import sleep
  from PIL import Image  # 安装PIL或者是Pillow
  from CJY import Chaojiying_Client
  
  # 封装一个识别验证码的函数
  def transformCode(imgPath,imgType):
      chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')
      im = open(imgPath, 'rb').read()
      return chaojiying.PostPic(im, imgType)['pic_str']
  
  
  bro = webdriver.Chrome(executable_path='./chromedriver.exe')
  
  bro.get('https://kyfw.12306.cn/otn/login/init')
  sleep(2)
  # 将当前浏览器页面进行图片保存
  bro.save_screenshot('./main.png')
  # 将验证码的局部区域进行裁剪
  # 捕获标签在页面中的位置信息
  img_tag = bro.find_element_by_xpath('//*[@id="loginForm"]/div/ul[2]/li[4]/div/div/div[3]/img')
  location = img_tag.location   # 标签的起始位置坐标（左下角坐标）
  size = img_tag.size   # 标签的尺寸
  # 裁剪范围对应的矩形区域
  rangle = (int(location['x']),int(location['y']),int(location['x']+size['width']),int(location['y']+size['height']))
  # 使用Image工具进行指定区域的裁剪
  i = Image.open('./main.png')
  frame = i.crop(rangle)   # crop就是根据指定的裁剪范围进行图片的截取
  frame.save('code.png')
  
  # 调用打码平台进行验证码的识别
  result = transformCode('./code.png',9004)
  print(result) #x1,y1|x2,y2|x3,y3
  
  # x1,y1|x2,y2|x3,y3 ==>[[x1,y1],[x2,y2],[x3,y3]]
  all_list = []    # [[x1,y1],[x2,y2],[x3,y3]]
  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 point in all_list:
      x = point[0]
      y = point[1]
      ActionChains(bro).move_to_element_with_offset(img_tag,x,y).click().perform()
      sleep(1)
  
  
  bro.find_element_by_id('username').send_keys('xxxxxx')
  sleep(1)
  bro.find_element_by_id('password').send_keys('xxxx')
  sleep(1)
  
  bro.find_element_by_id('loginSub').click()
  
  sleep(10)
  print(bro.page_source)
  bro.quit()
  

6. selenium规避风险

• 测试服务器是否有selenium检测机制

  1. 正常打开一个网站进行window.navigator.webdriver的js注入，返回值为undefined
  2. 使用selenium打开的页面，进行上述js注入返回的是true

• 规避检测代码示例：

  # 规避检测
  from selenium import webdriver
  from selenium.webdriver import ChromeOptions
  option = ChromeOptions()
  option.add_experimental_option('excludeSwitches', ['enable-automation'])
  
  bro = webdriver.Chrome(executable_path='./chromedriver.exe',options=option)
  
  url = 'https://www.taobao.com/'
  
  bro.get(url)
  

7. 无头浏览器

• 现有无头浏览器

  • phantomJs
  • 谷歌无头

• 无头浏览器代码示例：

  # 无头浏览器
  from selenium import webdriver
  from selenium.webdriver.chrome.options import Options
  from time import sleep
  chrome_options = Options()
  chrome_options.add_argument('--headless')
  chrome_options.add_argument('--disable-gpu')
  
  bro = webdriver.Chrome(executable_path='./chromedriver.exe',chrome_options=chrome_options)
  url = 'https://www.taobao.com/'
  bro.get(url)
  sleep(2)
  bro.save_screenshot('123.png')
  
  print(bro.page_source)
  

总结：

1. 网络请求的模块：requests/urllib/aiohttp

2. aiohttp和requests的区别：

   • 代理requests用poroxies，aiohttp用的是proxy

   • 接收二进制文件requests用response.content，aiohttp用的是response.read()