稍稍猪的Python学习的一起 —— 5.使用Selenium抓取JavaScript动态变化数据的网页


引言

前抓的胞妹图都是直接抓Html就好的,就是Chrome的浏览器F12之
Elements页面结构及Network抓包回来一样的结果。后面在抓取一些
网站(比如煎蛋,还有那种小网站的当儿)就意识了,Network那里抓包
获的数尚未,而Elements却有情况,原因即是:页面的数码是
通过JavaScript来动态变化的:

图片 1

图片 2

捕匪顶数怎么消除,一开始我还惦记在自学一波JS基本语法,再夺学抓包
用到人家的JS文件,自己还失分析逻辑,然后捣鼓出真的URL,后来要么
舍了,毕竟一旦抓的页面那么多,每个这样分析分析及啊时候…

图片 3

背后竟然发现发生只自动化测试框架Selenium
可以辅助我们应针对这个题材。
简易说下之事物有啊用吧,我们得编纂代码让浏览器

  • 1.机动加载网页;
  • 2.模仿表单提交(比如效仿登录),获取需要之数;
  • 3.页面截屏;
  • 4.判定网页某些动作是不是发,等等。

下一场这个东西是匪支持浏览器功能的,你要同老三在的浏览器联合搭配以,
支持下述浏览器,需要拿相应之浏览器驱动下充斥到Python的呼应路径下:

Chrome:https://sites.google.com/a/chromium.org/chromedriver/home
FireFox:https://github.com/mozilla/geckodriver/releases
PhantomJS:http://phantomjs.org/
IE:http://selenium-release.storage.googleapis.com/index.html
Edge:https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
Opera:https://github.com/operasoftware/operachromiumdriver/releases

直白开本节的内容吧~


1.安装Selenium

这个就算杀简单了,直接通过pip命令行进行安装:

sudo pip install selenium

PS:想起之前公司青年伴问过自己pip在win上怎么实施不了,又另外下了诸多pip,
实际上如果你安装了Python3底话语,已经默认带有pip了,你用另外配置下环境
变量,pip的门径在Python安装目录的Scripts目录下~

图片 4

Path后面长此路就是吓~

图片 5


2.产充斥浏览器驱动

因为Selenium是未牵动浏览器的,所以要借助第三在的浏览器,要调用第三在
的浏览器的话,需要下载浏览器的教,因为作者为此到是Chrome,这里就是盖
Chrome为例子吧,其他浏览器的活动检索相关材料了!打开Chrome浏览器,键入:

chrome://version

足翻Chrome浏览器版本的系消息,这里主要是关心版本号就推行了:

图片 6

61,好的,接下来到下的斯网站查阅相应之教版号:

https://chromedriver.storage.googleapis.com/2.34/notes.txt

图片 7

吓之,那即便生载v2.34本子的浏览器驱动吧:

https://chromedriver.storage.googleapis.com/index.html?path=2.34/

图片 8

下载就后,把zip文件解压下,解压后的chromedriver.exe拷贝到Python
的Scripts目录下。(这里并非纠结win32,在64各类之浏览器上吗是得正常使用的!)

PS:Mac的语句将解压后的文本拷贝到usr/local/bin目录下
Ubuntu的口舌拷贝到:usr/bin目录下

搭下我们写个大概的代码来测试下:

from selenium import webdriver

browser = webdriver.Chrome()  # 调用本地的Chrome浏览器
browser.get('http://www.baidu.com')  # 请求页面,会打开一个浏览器窗口
html_text = browser.page_source  # 获得页面代码
browser.quit()  # 关闭浏览器
print(html_text)

行就段代码,会自行调起浏览器,并且访问百度:

图片 9

而且决定台会输出HTML的代码,就是一直获取之Elements页面结构
JS执行完后的页面接下来我们就可以来抓我们的煎蛋妹子图啦


3.Selenium 简单实战:抓到手煎蛋妹子图

直解析Elements页面结构,找到想只要之最主要结点:

图片 10

强烈这虽是咱们抓取的多少姐姐图,复制下这URL,看下我们打印出底
页面结构发生没发其一东西:

图片 11

足,很硬,有这页面数据,接下就是移动一波Beautiful Soup到手到我们
思念要之多少啦~

图片 12

透过地方的过滤就可知以到我们的阿妹图片URL:

图片 13

顺手打开一个证明下,啧啧:

图片 14

    

图片 15

看了生一样页才发30单稍姐姐,这明确是满足不了咱们的,我们当率先蹩脚加载
的下先以到一波页码,然后就知晓有微微页了,然后自己更失去拼接URL加载
今非昔比之页面,比如此处一起又448页:

图片 16

东拼西凑成这么的URL即可:http://jandan.net/ooxx/page-448
过滤下以到页码:

图片 17

图片 18

搭下去便把代码补齐咯,循环抓到手诸一样页的稍姐姐,然后下充斥至地面,
整代码如下:

import os
from selenium import webdriver
from bs4 import BeautifulSoup
import urllib.request
import ssl
import urllib.error

base_url = 'http://jandan.net/ooxx'
pic_save_path = "output/Picture/JianDan/"


# 下载图片
def download_pic(url):
    correct_url = url
    if url.startswith('//'):
        correct_url = url[2:]
    if not url.startswith('http'):
        correct_url = 'http://' + correct_url
    print(correct_url)
    headers = {
        'Host': 'wx2.sinaimg.cn',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/61.0.3163.100 Safari/537.36 '
    }
    try:
        req = urllib.request.Request(correct_url, headers=headers)
        resp = urllib.request.urlopen(req)
        pic = resp.read()
        pic_name = correct_url.split("/")[-1]
        with open(pic_save_path + pic_name, "wb+") as f:
            f.write(pic)
    except (OSError, urllib.error.HTTPError, urllib.error.URLError, Exception) as reason:
        print(str(reason))


# 打开浏览器模拟请求
def browser_get():
    browser = webdriver.Chrome()
    browser.get('http://jandan.net/ooxx')
    html_text = browser.page_source
    page_count = get_page_count(html_text)
    # 循环拼接URL访问
    for page in range(page_count, 0, -1):
        page_url = base_url + '/page-' + str(page)
        print('解析:' + page_url)
        browser.get(page_url)
        html = browser.page_source
        get_meizi_url(html)
    browser.quit()


# 获取总页码
def get_page_count(html):
    soup = BeautifulSoup(html, 'html.parser')
    page_count = soup.find('span', attrs={'class': 'current-comment-page'})
    return int(page_count.get_text()[1:-1]) - 1


# 获取每个页面的小姐姐
def get_meizi_url(html):
    soup = BeautifulSoup(html, 'html.parser')
    ol = soup.find('ol', attrs={'class': 'commentlist'})
    href = ol.findAll('a', attrs={'class': 'view_img_link'})
    for a in href:
        download_pic(a['href'])


if __name__ == '__main__':
    ssl._create_default_https_context = ssl._create_unverified_context
    if not os.path.exists(pic_save_path):
        os.makedirs(pic_save_path)
    browser_get()

运转结果

图片 19

扣押下我们输出文件夹~

图片 20

图片 21

攻Python爬虫,日渐消瘦…


4.PhantomJS

PhantomJS无界面的浏览器,特点:会把网站加载到内存并执行页面及之
JavaScript,因为无见面显得图形界面,所以运行起来较整的浏览器要高效
(在片Linux的主机上没图形化界面,就未可知装Chrome这类似浏览器了,
好经PhantomJS来规避之题目)。

Win上安装PhantomJS

  • 1.官网下载:http://phantomjs.org/download.html
    压缩包;
  • 2.解压:phantomjs-2.1.1-windows.zip 放到自己想放之职位;
  • 3.部署环境变量目录/bin 比如我之:
    图片 22

  • 4.打开cmd,键入:phantomjs –version 验证是否配备成功;
    图片 23

Ubuntu/MAC上安装PhantomJS

sudo apt-get install phantomjs

!!!有关PhantomJS的重点说明

在当年的四月份,Phantom.js的支持者(Maintainer)宣布脱离PhantomJS,
意味着是路项目可能不见面再也进行保护了!!!Chrome和FireFox也开始
提供Headless模式(无需吊起浏览器),所以,估计下PhantomJS的伴
为会见逐渐迁移至马上点儿只浏览器上。Windows Chrome需要60以上的本才支撑
Headless模式,启用Headless模式吧非常简单:

图片 24

selenium官方文档也写了:

图片 25

运转的当儿也会见报是警示:

图片 26


5.Selenium实战:模拟登录CSDN,并保存Cookie

CSDN登录网站:https://passport.csdn.net/account/login

剖析下页面结构,不难找到相应的报到输入框,以及登录按钮:

图片 27

图片 28

我们而举行的就算是于当时片只结点输入账号密码,然后触发登录按钮,
以将Cookie保存及地头,后面就是可带动在Cookie去做客相关页面了~

事先修模拟登录的办法吧:

图片 29

找到输入账号密码的节点,设置下团结之账号密码,然后找到登录
按钮节点,click一下,然后坐等登录成功,登录成功后好比
current_url是否发了改动。然后把Cookies给保存下去,这里
本身因此底凡pickle库,可以用别样,比如json,或者字符串拼接,
接下来保留至地头。如无意外当是能够以到Cookie的,接着就是应用
Cookie去拜访主页。

图片 30

通过add_cookies方法来装Cookie,参数是字典类型的,另外如优先
访问get一不成链接,再失装cookie,不然会报无法设置cookie的荒谬!

看下右手下角是否成为登录状态就可理解是否动Cookie登录成功了:

图片 31


6.Selenium 常用函数

Seleninum作为自动化测试的工具,自然是供了众多自动化操作的函数,
下罗列下个人觉得比较常用的函数,更多可见官方文档:
官方API文档:http://seleniumhq.github.io/selenium/docs/api/py/api.html

1) 定位元素

  • find_element_by_class_name:根据class定位
  • find_element_by_css_selector:根据css定位
  • find_element_by_id:根据id定位
  • find_element_by_link_text:根据链接的文本来稳定
  • find_element_by_name:根据节点名稳定
  • find_element_by_partial_link_text:根据链接的文书来恒定,只要包含在漫天文件中即可
  • find_element_by_tag_name:通过tag定位
  • find_element_by_xpath:使用Xpath进行定位

PS:把element改吗elements会一定有所符合条件的要素,返回一个List
比如:find_elements_by_class_name

2) 鼠标动作

偶尔要在页面上模仿鼠标操作,比如:单击,双击,右键,按停,拖拽等
可以导入ActionChains类:selenium.webdriver.common.action_chains.ActionChains
使用ActionChains(driver).XXX调用对诺节点的所作所为

  • click(element):单击某个节点;
  • click_and_hold(element):单击某个节点并据停不放开;
  • context_click(element):右键单击某个节点;
  • double_click(element):双击某个节点;
  • drag_and_drop(source,target):按停某节点拖拽到另外一个节点;
  • drag_and_drop_by_offset(source, xoffset,
    yoffset)
    :按停节点按偏移拖拽
  • key_down:按下特殊键,只能用(Control, Alt and
    Shift),比如Ctrl+C
    ActionChains(driver).key_down(Keys.CONTROL).send_keys(‘c’).key_up(Keys.CONTROL).perform();
  • key_up:释放特殊键;
  • move_by_offset(xoffset, yoffset):按偏移移动鼠标;
  • move_to_element(element):鼠标移动至有节点的职务;
  • move_to_element_with_offset(element, xoffset,
    yoffset)
    :鼠标移到某节点并偏移;
  • pause(second):暂停所有的输入多少秒;
  • perform():执行操作,可以安装多只操作,调用perform()才见面执行;
  • release():释放鼠标按钮
  • reset_actions:重置操作
  • send_keys(keys_to_send):模拟按键,比如输入框节点.send_keys(Keys.CONTROL,’a’)
    全选输入框内容,输入框节点.send_keys(Keys.CONTROL,’x’)剪切,模拟回退:
    节点.send_keys(keys.RETURN);或者直接设置输入框内容:输入框节点.send_keys(‘xxx’);
  • *send_keys_to_element(element,keys_to_send)**:和send_keys类似;

3) 弹窗

对应类:selenium.webdriver.common.alert.Alert,感觉应该据此得无多…

比方你沾了某时刻,弹出了对话框,可以调用下述方法获得对话框:
alert = driver.switch_to_alert(),然后可以调用下述方法:

  • accept():确定
  • dismiss():关闭对话框
  • send_keys():传入值
  • text():获得对话框文本

4)页面前进,后退,切换

切换窗口: driver.switch_to.window(“窗口名”)
抑或经window_handles来遍历
for handle in driver.window_handles:
      driver.switch_to_window(handle)
driver.forward() #前进
driver.back() # 后退


5) 页面截图

driver.save_screenshot(“截图.png”)


6) 页面等待

今天之网页越来越多采取了 Ajax技术,这样程序即使不能够确定何时有元素完全
加载出来了。如果实际页面等待时了长导致某个dom元素还尚未出来,但是若的
代码直接使用了之WebElement,那么即便会见抛出NullPointer的挺。

以避免这种元素定位困难又会增进产生
ElementNotVisibleException的概率。
于是 Selenium
提供了少于栽等待方式,一种植是隐式等待,一种是显式等待

显式等待

显式等待指定某个条件,然后设置最长等时。如果当斯时空还从来不
找到元素,那么即使会丢弃来异常了。

from selenium import webdriver
from selenium.webdriver.common.by import By
# WebDriverWait 库,负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
# expected_conditions 类,负责条件出发
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.PhantomJS()
driver.get("http://www.xxxxx.com/loading")
try:
    # 每隔10秒查找页面元素 id="myDynamicElement",直到出现则返回
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "myDynamicElement"))
    )
finally:
    driver.quit()

而不写参数,程序默认会 0.5s 调用平等不行来查看元素是否就成形,
使当元素就是在的,那么会就回。

脚是有措的等条件,你得直接调用这些条件,而非用自己
描绘一些等待条件了。

title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable – it is Displayed and Enabled.
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present

隐式等待

隐式等待比较简单,就是简单地设置一个等候时,单位吗秒。

from selenium import webdriver

driver = webdriver.PhantomJS()
driver.implicitly_wait(10) # seconds
driver.get("http://www.xxxxx.com/loading")
myDynamicElement = driver.find_element_by_id("myDynamicElement")

自如果未装,默认等待时为0。


7.执行JS语句

driver.execute_script(js语句)
依照滚动到脚:
js = document.body.scrollTop=10000
driver.execute_script(js)


小结

本节教了一波施用Selenium自动化测试框架来办案取JavaScript动态变化数据,
Selenium欲凭让第三正值的浏览器,要注意PhantomJS无论界面浏览器过时的
题目,可以以Chrome和FireFox提供的HeadLess来替换;通过办案到手煎蛋妹子
图以及拟CSDN自动登录的事例来熟悉Selenium的着力采用,还是收货良多的。
当然Selenium的度还是要命要命的,当前咱们会利用她来敷衍JS动态加载数据页面
数码的抓取就足足了。

外最近气象骤冷,各位小伙伴记得及时添衣~

图片 32

顺道记录下自己之想到的东西:

  • 1.休是每个网站都是像CSDN一样不欲验证码就是可知登录的,验证码还分几代表,
    一般的数字模糊下,滑条,而如简书掘金用那种人机检测的是于新的,目前还
    不清楚怎么化解,有理解的伴告诉下呗~
  • 2.诸如掘金,简书等那种抓取文章,为了反爬虫,需要登录才会查全文…

本节源码下载

https://github.com/coder-pig/ReptileSomething


本节参考文献

  • Selenium官方文档
  • Python爬虫Selenium和PhantomJS系列的十三

相关文章