python爬虫学习笔记-selenium

简介

• selenium - 是一种浏览器自动化的工具，所谓的自动化是指，我们可以通过代码的形式制定一系列的行为动作，然后执行代码，这些动作就会同步触发在浏览器中。

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

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'./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_element_by_xpath('//*[@id="s-usersetting-top"]').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_xpath('//*[@id="nr_3"]').click()
sleep(2)# 点击保存设置
driver.find_element_by_xpath('//*[@id="se-setting-7"]/a[2]').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_element_by_xpath('//*[@id="1"]/div/h3/a').click()
sleep(3)# 关闭浏览器
driver.quit()

浏览器创建

• Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等.另外，也支持无界面浏览器。
• 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_xpath()find_element_by_css_selector()

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。

执行js

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。

from selenium import webdriver
from time import sleep
#1.创建一个浏览器对象,executable_path指定当前浏览器的驱动程序#注意：我当前是mac系统，驱动程序也是mac版本的，如果是window系统注意更换驱动
bro = webdriver.Chrome(executable_path='./chromedriver')#2.浏览器的请求发送
bro.get('https://www.jd.com/')#3.标签定位:调用find系列的函数进行标签定位
search_box = bro.find_element_by_xpath('//*[@id="key"]')#4.节点交互
search_box.send_keys('mac pro m1')#向指定标签中录入内容
sleep(2)
btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
btn.click()#点击按钮
sleep(2)#js注入
bro.execute_script('document.documentElement.scrollTo(0,2000)')
sleep(5)#关闭浏览器
bro.quit()

• 思考：在爬虫中为什么需要使用selenium？selenium和爬虫之间的关联是什么？- 便捷的爬取动态加载数据（可见即可得）- #获取前5页的企业名称from selenium import webdriverimport timefrom lxml import etreebro = webdriver.Chrome(executable_path='./chromedriver')url ='http://scxk.nmpa.gov.cn:81/xk/'bro.get(url=url)time.sleep(1)#获取页面源码数据(page_source)page_text = bro.page_source#将前5页的页面源码数据存储到该列表中all_page_text_list =[page_text]for i inrange(4):#点击下一页 next_page_btn = bro.find_element_by_xpath('//*[@id="pageIto_next"]') next_page_btn.click() time.sleep(1) all_page_text_list.append(bro.page_source)for page_text in all_page_text_list:#解析数据 tree = etree.HTML(page_text) li_list = tree.xpath('//*[@id="gzlist"]/li')for li in li_list: title = li.xpath('./dl/@title')[0]print(title)time.sleep(2)bro.quit()- 便捷实现模拟登录- 后面在说

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from selenium import webdriver
import time

browser = webdriver.Chrome(r'./chromedriver')
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')

browser.back()
time.sleep(2)
browser.forward()
time.sleep(2)

browser.close()

获取动态加载数据

• 实现可见即可得

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。

from selenium.webdriver import ActionChains
from selenium import webdriver
from time import sleep
bro = webdriver.Chrome(executable_path='./chromedriver')
bro.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
sleep(1)#注意：如果定位的标签是存在于iframe表示的子页面中，则常规的标签定位报错#处理：使用如下指定操作
bro.switch_to.frame('iframeResult')
div_tag = bro.find_element_by_id('draggable')#实例化一个动作链对象且将该对象绑定到指定的浏览器中
action = ActionChains(bro)
action.click_and_hold(div_tag)#对指定标签实现点击且长按操作for i inrange(5):
    action.move_by_offset(10,10).perform()#perform让动作链立即执行
    sleep(0.5)
sleep(3)
bro.quit()

带验证码的模拟登录

• 登录bilibili- https://passport.bilibili.com/login?from_spm_id=333.851.top_bar.login_window
• 识别验证码模块封装：
• import base64import jsonimport requests# 一、图片文字类型(默认 3 数英混合)：# 1 : 纯数字# 1001：纯数字2# 2 : 纯英文# 1002：纯英文2# 3 : 数英混合# 1003：数英混合2# 4 : 闪动GIF# 7 : 无感学习(独家)# 11 : 计算题# 1005: 快速计算题# 16 : 汉字# 32 : 通用文字识别(证件、单据)# 66: 问答题# 49 :recaptcha图片识别# 二、图片旋转角度类型：# 29 : 旋转类型## 三、图片坐标点选类型：# 19 : 1个坐标# 20 : 3个坐标# 21 : 3 ~ 5个坐标# 22 : 5 ~ 8个坐标# 27 : 1 ~ 4个坐标# 48 : 轨迹类型## 四、缺口识别# 18 : 缺口识别（需要2张图 一张目标图一张缺口图）# 33 : 单缺口识别（返回X轴坐标 只需要1张图）# 五、拼图识别# 53：拼图识别#函数实现忽略defbase64_api(uname, pwd, img, typeid):withopen(img,'rb')as f: base64_data = base64.b64encode(f.read()) b64 = base64_data.decode() data ={"username": uname,"password": pwd,"typeid": typeid,"image": b64} result = json.loads(requests.post("http://api.ttshitu.com/predict", json=data).text)if result['success']:return result["data"]["result"]else:return result["message"]return""defgetImgCodeText(imgPath,imgType):#直接返回验证码内容#imgPath：验证码图片地址#imgType：验证码图片类型 result = base64_api(uname='图鉴的账号', pwd='图鉴的密码', img=imgPath, typeid=imgType)return result
• from selenium import webdriverfrom selenium.webdriver import ActionChainsfrom time import sleepimport tujian#1.创建浏览器对象bro = webdriver.Chrome(executable_path='./chromedriver')#2.发起请求login_url ='https://passport.bilibili.com/login?from_spm_id=333.851.top_bar.login_window'bro.get(login_url)sleep(1)#3.定位到指定标签填充用户名和密码user_box = bro.find_element_by_xpath('//*[@id="login-username"]')user_box.send_keys('15027900535')sleep(1)pwd_box = bro.find_element_by_xpath('//*[@id="login-passwd"]')pwd_box.send_keys('1234567890')sleep(1)login_btn = bro.find_element_by_xpath('//*[@id="geetest-wrap"]/div/div[5]/a[1]')login_btn.click()sleep(1)#4.定位完整的验证码对话框#注意：在开发者工具中是可以定位到多个div表示验证码对话框的，因此将这几个div都定位到，以此去尝试code_tag = bro.find_element_by_xpath('/html/body/div[2]/div[2]/div[6]/div/div')sleep(1)#5.识别验证码（使用打码平台进行验证码识别）code_tag.screenshot('./code.png')#将验证码对话框截图保存sleep(1)#使用图鉴接口识别result = tujian.getImgCodeText('./code.png',27)#获取了识别的结果# result = '154,251|145,167'# print(result)result_list = result.split('|')#result_list == ['154,251','145,167']#6.根据识别出验证码的结果进行处理for pos in result_list: x =int(pos.split(',')[0]) y =int(pos.split(',')[1]) ActionChains(bro).move_to_element_with_offset(code_tag,x,y).click().perform() sleep(0.5)confirm_btn = bro.find_element_by_xpath('/html/body/div[2]/div[2]/div[6]/div/div/div[3]/a/div')confirm_btn.click()sleep(3)bro.quit()1

Cookie

使用Selenium，还可以方便地对Cookies进行操作，例如常见的获取Cookies，示例如下：

• get_cookies()返回值是由字典组成的列表，叫做jsonCookies。
• 需要将jsonCookies解析成浏览器携带的cookie形式

#获取jsonCookiesfrom selenium import webdriver
import time

browser = webdriver.Chrome(r'./chromedriver')
browser.get('https://www.zhihu.com/explore')print(browser.get_cookies())
browser.close()

• 解析jsonCookies成浏览器的cookie形式
• from selenium import webdriverimport timebrowser = webdriver.Chrome(r'./chromedriver')browser.get('https://www.zhihu.com/explore')#获取cookiecookies = browser.get_cookies()#解析cookiedic ={}for cookie in cookies: key = cookie['name'] value = cookie['value'] dic[key]= valueprint(dic)#在爬虫中可以使用的cookiebrowser.close()
• 基于selenium获取cookie后，绕过模拟登录
• from selenium.webdriver import Chromeimport timeimport jsonweb = Chrome('./chromedriver')web.get('https://www.17k.com/')time.sleep(3)# 登录web.find_element_by_xpath('//*[@id="header_login_user"]/a[1]').click()# 切换iframeiframe = web.find_element_by_xpath('/html/body/div[20]/div/div[1]/iframe')web.switch_to.frame(iframe)web.find_element_by_xpath('/html/body/form/dl/dd[2]/input').send_keys("15027900535")web.find_element_by_xpath('/html/body/form/dl/dd[3]/input').send_keys("bobo328410948")web.find_element_by_xpath('/html/body/form/dl/dd[5]/input').click()time.sleep(3)cookies = web.get_cookies()# 存文件里withopen("cookies.txt", mode="w", encoding='utf-8')as f: f.write(json.dumps(cookies))# 组装cookie字典, 直接给requests用dic ={}for cook in cookies: dic[cook['name']]= cook['value']# 衔接. 把cookie直接怼进去import requests#访问的书架（获取书架内容）url ="https://user.17k.com/ck/author/shelf?page=1&appKey=2406394919"headers ={'cookie':dic}resp = requests.get(url,cookies=dic)print(resp.text)web.close()

无头浏览器

无头浏览器就是没有可视化界面的浏览器

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time

# 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')# 驱动路径
path ='./chromedriver'# 创建浏览器对象
browser = webdriver.Chrome(executable_path=path,options=chrome_options)# 上网
url ='http://www.baidu.com/'
browser.get(url)
time.sleep(3)

browser.save_screenshot('baidu.png')

browser.quit()

规避检测（重要）

• 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或者为false。而使用selenium访问则该值为true。那么如何解决这个问题呢？- 实现js注入，绕过检测
• from selenium.webdriver import ActionChainsfrom selenium.webdriver import Chromefrom selenium.webdriver.chrome.options import Optionschrome_options = Options()chrome_options.add_argument("--disable-blink-features=AutomationControlled")chrome_options.add_argument('user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36')driver = Chrome('./chromedriver',options=chrome_options)#Selenium在打开任何页面之前，先运行这个Js文件。withopen('./stealth.min.js')as f: js = f.read()#进行js注入，绕过检测#execute_cdp_cmd执行cdp命令（在浏览器开发者工具中执行相关指令，完成相关操作）#Page.addScriptToEvaluateOnNewDocument执行脚本driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",{"source": js})driver.get('https://www.taobao.com')
• 12306再次测试- 没有实现规避检测代码时的登录：- from selenium.webdriver import Chromefrom selenium.webdriver import ActionChainsfrom time import sleepweb = Chrome(executable_path='./chromedriver')web.get("https://kyfw.12306.cn/otn/resources/login.html")sleep(2)web.find_element_by_xpath('//*[@id="toolbar_Div"]/div[2]/div[2]/ul/li[1]/a').click()web.find_element_by_xpath('//*[@id="J-userName"]').send_keys("[email protected]")sleep(1)web.find_element_by_xpath('//*[@id="J-password"]').send_keys("111111")sleep(1)web.find_element_by_xpath('//*[@id="J-login"]').click()sleep(3)action = ActionChains(web)# 找到滑块btn = web.find_element_by_xpath('//*[@id="nc_1_n1z"]')action.click_and_hold(btn)for i inrange(5): action.move_by_offset(50,0).perform() sleep(0.5)sleep(3)web.close()- 实现规避检测后：- from selenium.webdriver import Chromefrom selenium.webdriver import ActionChainsfrom time import sleepfrom selenium.webdriver.chrome.options import Optionschrome_options = Options()chrome_options.add_argument("--disable-blink-features=AutomationControlled")chrome_options.add_argument('user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36')web = Chrome(executable_path='./chromedriver',options=chrome_options)#Selenium在打开任何页面之前，先运行这个Js文件。withopen('./stealth.min.js')as f: js = f.read()#进行js注入，绕过检测web.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",{"source": js})web.get("https://kyfw.12306.cn/otn/resources/login.html")sleep(2)web.find_element_by_xpath('//*[@id="toolbar_Div"]/div[2]/div[2]/ul/li[1]/a').click()web.find_element_by_xpath('//*[@id="J-userName"]').send_keys("[email protected]")sleep(1)web.find_element_by_xpath('//*[@id="J-password"]').send_keys("111111")sleep(1)web.find_element_by_xpath('//*[@id="J-login"]').click()sleep(3)action = ActionChains(web)# 找到滑块btn = web.find_element_by_xpath('//*[@id="nc_1_n1z"]')action.click_and_hold(btn)for i inrange(5): action.move_by_offset(50,0).perform() sleep(0.5)sleep(3)web.close()