Day 42 爬虫_selenium模块应用&超级鹰案例

selenium模块应用

简介

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、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器

环境安装

下载安装selenium：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/效果展示

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'驱动程序路径')
# 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()

案例：获取动态页面加载的数据

from selenium import webdriver
from lxml import etree

driver = webdriver.Chrome(executable_path='./chromedriver.exe')
driver.get('http://125.35.6.84:81/xk/')
dir_txt = driver.page_source

tree = etree.HTML(dir_txt)
title_list = tree.xpath('//*[@id="gzlist"]/li')
for i in title_list:
    title = i.xpath('./dl/@title')[0]
    print(title)

driver.quit()

方法描述

浏览器创建

Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等，还有Android、BlackBerry等手机端的浏览器。另外，也支持无界面浏览器PhantomJS。

from selenium import webdriver
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，常用的有以下几种：

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_partial_link_text()
find_element_by_xpath()
find_element_by_css_selector()

注意

1、find_element_by_xxx找的是第一个符合条件的标签，find_elements_by_xxx找的是所有符合条件的标签。

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还提供了通用方法find_element()，它需要传入两个参数：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)，二者得到的结果完全一致。

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。示例如下：

from selenium import webdriver
import time
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = 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()
browser.quit()

执行JavaScript

对于某些操作，Selenium API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：

om 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）来提取信息了。

前进和后退

#模拟浏览器的前进后退
import time
from 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()

案例：浏览器自动化操作

from selenium import webdriver
import time

driver = webdriver.Chrome('./chromedriver.exe')
driver.get('https://www.taobao.com')

# 标签定位
class_dir = driver.find_element_by_id('q')  # id 标签

# 标签交互
class_dir.send_keys('伞')

# 执行 js 程序
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)

# 点击搜索按钮
# but = driver.find_element_by_css_selector('.btn-search')    # class 类标签
but = driver.find_element_by_xpath('//*[@id="J_TSearchForm"]/div[1]/button')    # xpath 路径
but.click()     # 点击事件


driver.get('https://www.baidu.com')
time.sleep(2)
# 页面后退
driver.back()
# # 页面前进
driver.forward()

time.sleep(3)
driver.close()  # 关闭浏览器

 

iframe处理&动作链

在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。

selenium处理iframe

如果定位的标签存在于 iframe 标签之中，则必须使用 switch_to.frame(id)

动作链（拖动）：from selenium.webdriver import ActionChains

1、实例化一个动作链对象：action = ActionChains(bro)

2、click_and_hold(div)：点击长按操作

3、move_by_offset(x,y)：设置拖动的移动量

4、perform()：使动作链立即执行

5、action.release()：释放动作链对象

比如，现在实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处，可以这样实现：

# 动作链
from selenium import webdriver
from selenium.webdriver import ActionChains
from time import sleep

driver = webdriver.Chrome('./chromedriver.exe')
driver.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')

# 如果定位的标签是存在于 iframe 标签之中，则必须通过如下操作再进行标签定位
driver.switch_to.frame('iframeResult')      # 切换浏览器标签定位的作用域
div = driver.find_element_by_id('draggable')

# 动作链
action = ActionChains(driver)

# 点击长按指定的标签
action.click_and_hold(div)

for i in range(5):
    # perform() 立即执行动作链操作
    action.move_by_offset(17,0).perform()
    sleep(0.3)

# 释放动作链
action.release()
driver.close()

 案例：实现模拟 QQ空间 登录

from selenium import webdriver
from selenium.webdriver import ActionChains
from time import sleep

bor = webdriver.Chrome('./chromedriver.exe')
bor.get('https://qzone.qq.com')

# 改变标签定位的作用域
bor.switch_to.frame('login_frame')

zm = bor.find_element_by_id('switcher_plogin')
zm.click()

user = bor.find_element_by_id('u')
pawd = bor.find_element_by_id('p')
user.send_keys('111222333')
sleep(1)
pawd.send_keys('123456')
sleep(1)
but = bor.find_element_by_id('login_button')
but.click()
sleep(3)
bor.close()

 

Cookie处理

使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。示例如下：

from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://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()

无头浏览器 & 规避被检测

谷歌无头浏览器

由于PhantomJs最近已经停止了更新和维护，所以推荐大家可以使用谷歌的无头浏览器，是一款无界面的谷歌浏览器。

from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')

dirver = webdriver.Chrome(chrome_options=chrome_options)

selenium规避被检测识别

现在不少大网站有对 selenium 采取了监测机制。比如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 ChromeOptions

option = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])

driver = Chrome(options=option)

代码演示：

from selenium import webdriver
from time import sleep

# 实现无可视化界面
from selenium.webdriver.chrome.options import Options

# 实现规避检测
from selenium.webdriver import ChromeOptions


# 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')


# 实现规避检测
option = ChromeOptions()
option.add_experimental_option('excludeSwitches',['enable-automation'])

bor = webdriver.Chrome('./chromedriver.exe',chrome_options=chrome_options,options=option)
bor.get('https://i.qq.com')
bor_txt = bor.page_source
print(bor_txt)
sleep(3)
bor.close()

超级鹰

1、注册登录普通用户

2、查看题分（充值）

3、创建软件

4、下载实例代码

案例：使用超级鹰模拟登录12306