Python爬虫 —— selenium
Selenium 的使用
Selenium 是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，如点击、下拉等操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见即可爬。对于一些 JavaScript 动态渲染的页面来说，此种抓取方式非常有效。本节中，就让我们来感受一下它的强大之处吧。
requests取消ssl验证会出现告警InsecureRequestWarning,取消告警如下:
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)
1. 准备工作
本节以 Chrome 为例来讲解 Selenium 的用法。在开始之前，请确保已经正确安装好了 Chrome 浏览器并配置好了 ChromeDriver。另外，还需要正确安装好 Python 的 Selenium 库
1.1 安装
pip install selenium
1.2 安装驱动
官网：http://chromedriver.storage.googleapis.com/index.html
注意：
-
驱动要对应浏览器版本，否者会无法启动
-
禁止浏览器更新 services.msc 找到浏览器给禁止
2. 声明浏览器对象
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。
此外，我们可以用如下方式初始化：
from selenium import webdriver
browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()
options = webdriver.ChromeOptions()
#不加载图片信息
prefs = {'profile.managed_default_content_settings.images': 2}
options.add_experimental_option("prefs",prefs)
# 无头浏览器
options.add_argument("-headless")
#自定义ua头信息
user_agent="这里填写UA头信息"
options.add_argument("user-agent=%s"%user_agent)
# 隐藏"chrome正在受到软件控制的提示"
options.add_experimental_option("useAutomationExtension",False)
options.add_experimental_option("excludeSwitches",["enable-automation"])
#设置代理
options.add_argument("proxy-server="+'192.168.0.28:808')
browser = webdriver.Chrome(executable_path=r"D:\chromedriver.exe",options=options)
browser.get("http://news.baidu.com/")
print(browser.page_source)
这样就完成了浏览器对象的初始化并将其赋值为 browser 对象。接下来，我们要做的就是调用 browser 对象，让其执行各个动作以模拟浏览器操作。
3. 基本使用
准备工作做好之后，首先来大体看一下 Selenium 有一些怎样的功能。示例如下：
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
input = browser.find_element_by_id('kw')
input.send_keys('Python')
browser.find_element_by_id('su').click()
# 提取页面
print(browser.page_source.encode('utf-8','ignore'))
# 提取cookie
print(browser.get_cookies())
# 提取当前请求地址
print(browser.current_url)
browser.close()
运行代码后发现，会自动弹出一个 Chrome 浏览器。浏览器首先会跳转到百度，然后在搜索框中输入 Python，接着跳转到搜索结果页
from selenium import webdriver
options = webdriver.ChromeOptions()
# 禁止图片
prefs = {"profile.managed_default_content_settings.images": 2}
options.add_experimental_option("prefs", prefs)
# 无头模式
option.add_argument("-headless")
# 通过设置user-agent
user_ag='MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; '+
'CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1'
options.add_argument('user-agent=%s'%user_ag)
#隐藏"Chrome正在受到自动软件的控制"
options.add_experimental_option('useAutomationExtension', False)
options.add_experimental_option('excludeSwitches', ['enable-automation'])
#设置代理
options.add_argument('proxy-server=' +'192.168.0.28:808')
#将浏览器最大化显示
browser.maximize_window()
# 设置宽高
browser.set_window_size(480, 800)
# 通过js新打开一个窗口
driver.execute_script('window.open("https://www.baidu.com");')
browser = webdriver.Chrome(chrome_options=options)
4. 查找节点
Selenium 可以驱动浏览器完成各种操作，比如填充表单、模拟点击等。比如，我们想要完成向某个输入框输入文字的操作，总需要知道这个输入框在哪里吧？而 Selenium 提供了一系列查找节点的方法，我们可以用这些方法来获取想要的节点，以便下一步执行一些动作或者提取信息。
4.1 单个节点
我们用代码实现一下：
from selenium import webdriver
browser = webdriver.Chrome()
from selenium.webdriver.common.keys import Keys # 模拟键盘操作
browser.get('https://www.taobao.com/')
s = browser.find_element_by_xpath("//div[@class='search-combobox-input-wrap']/child::input")
s.send_keys('衣服')
s.send_keys(Keys.ENTER) # 回车 确定的意思
这里列出所有获取单个节点的方法：
find_element_by_id id
find_element_by_class_name 类名字
find_element_by_name 名称
find_element_by_xpath xpath
find_element_by_link_text 专门用来定位超链接文本（标签） 全匹配
find_element_by_partial_link_text 模糊匹配 登录 登（也可以）
find_element_by_tag_name 标签名字
find_element_by_css_selector CSS选择器
节点提取
browser.get('https://www.taobao.com/')
# ID选折起定位
s = browser.find_element_by_id('q')
s.send_keys('衣服')
# CSS 选折起定位
s = browser.find_element_by_css_selector('div.search-combobox-input-wrap>input')
s.send_keys('衣服')
# xpath 选择器定位
s = browser.find_elements_by_xpath('//div[@class="search-combobox-input-wrap"]/input')
s.send_keys('衣服')
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。我们用代码实现一下：
from selenium import webdriver
from selenium.webdriver.common.by import By
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element(By.ID, 'q')
input_first.send_keys('衣服')
print(input_first)
browser.close()
实际上，这种查找方式的功能和上面列举的查找函数完全一致，不过参数更加灵活。
4.2 多个节点
如果查找的目标在网页中只有一个，那么完全可以用 find_element() 方法。但如果有多个节点，再用 find_element() 方法查找，就只能得到第一个节点了。如果要查找所有满足条件的节点，需要用 find_elements() 这样的方法。注意，在这个方法的名称中，element 多了一个 s，注意区分。
就可以这样来实现：
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
lis = browser.find_elements_by_css_selector('.service-bd li')
print(lis)
browser.close()
可以看到，得到的内容变成了列表类型，列表中的每个节点都是 WebElement 类型。
也就是说，如果我们用 find_element() 方法，只能获取匹配的第一个节点，结果是 WebElement 类型。如果用 find_elements() 方法，则结果是列表类型，列表中的每个节点是 WebElement 类型。
这里列出所有获取多个节点的方法：
find_elements_by_id
find_elements_by_name
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_partial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector
当然，我们也可以直接用 find_elements() 方法来选择，这时可以这样写：
lis = browser.find_elements(By.CSS_SELECTOR, '.service-bd li')
结果是完全一致的
6. 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('iPhone')
time.sleep(1)
input.clear()
input.send_keys('iPad')
button = browser.find_element_by_class_name('btn-search')
button.click()
通过上面的方法，我们就完成了一些常见节点的动作操作，更多的操作可以参见官方文档的交互动作介绍
：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement。
7. 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。
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：
from selenium import webdriver
from selenium.webdriver import ActionChains
browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css_selector('#draggable')
target = browser.find_element_by_css_selector('#droppable')
actions = ActionChains(browser)
actions.drag_and_drop(source, target)
actions.perform()
首先，打开网页中的一个拖曳实例，然后依次选中要拖曳的节点和拖曳到的目标节点，接着声明 ActionChains 对象并将其赋值为 actions 变量，然后通过调用 actions 变量的 drag_and_drop() 方法，再调用 perform() 方法执行动作，此时就完成了拖曳操作
更多的动作链操作可以参考官方文档的动作链介绍：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains。
页面滚动
# 移动到元素element对象的“顶端”与当前窗口的“顶部”对齐
driver.execute_script("arguments[0].scrollIntoView();", element)
driver.execute_script("arguments[0].scrollIntoView(true);", element)
# 移动到元素element对象的“底端”与当前窗口的“底部”对齐
driver.execute_script("arguments[0].scrollIntoView(false);", element)
# 移动到页面最底部
driver.execute_script("window.scrollTo(0, document.body.scrollHeight)")
# 移动到指定的坐标(相对当前的坐标移动)
driver.execute_script("window.scrollBy(0, 700)")
# 结合上面的scrollBy语句，相当于移动到700+800=1600像素位置
driver.execute_script("window.scrollBy(0, 800)")
# 移动到窗口绝对位置坐标，如下移动到纵坐标1600像素位置
driver.execute_script("window.scrollTo(0, 1600)")
# 结合上面的scrollTo语句，仍然移动到纵坐标1200像素位置
driver.execute_script("window.scrollTo(0, 1200)")
8. 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：
# document.body.scrollHeight 获取页面高度
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://36kr.com/')
# 下拉边框 一次性下拉
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
# scrollTo 不叠加 200 200 scrollBy 叠加 200 300 500操作
# 慢慢的下拉
for i in range(1,9):
time.sleep(random.randint(100, 300) / 1000)
browser.execute_script('window.scrollTo(0,{})'.format(i * 700)) # scrollTo 不叠加 700 1400 2100
这里就利用 execute_script() 方法将进度条下拉到最底部
所以说有了这个方法，基本上 API 没有提供的所有功能都可以用执行 JavaScript 的方式来实现了。
如果需要通过js执行后获取js的返回值,那么js代码前加上return 比如 browser.execute_script('return document.body.scrollHeight') 获取滚轮当前高度数值
9. 获取节点信息
获取属性
我们可以使用 get_attribute() 方法来获取节点的属性，但是其前提是先选中这个节点，示例如下：
from selenium import webdriver
url = 'https://pic.netbian.com/4kmeinv/index.html'
browser.get(url)
src = browser.find_elements_by_xpath('//ul[@class="clearfix"]/li/a/img')
for i in src:
url = i.get_attribute('src')
print(url)
通过 get_attribute() 方法，然后传入想要获取的属性名，就可以得到它的值了。
获取 ID、位置、标签名、大小
另外，WebElement 节点还有一些其他属性，比如 id 属性可以获取节点 id，location 属性可以获取该节点在页面中的相对位置，tag_name 属性可以获取标签名称，size 属性可以获取节点的大小，也就是宽高，这些属性有时候还是很有用的。示例如下：
from PIL import Image
url = 'https://pic.netbian.com/4kmeinv/index.html'
browser.get(url)
img = browser.find_element_by_xpath('//ul[@class="clearfix"]/li[1]/a/img')
location = img.location
size = img.size
top, bottom, left, right = location['y'], location['y'] + size['height'], location['x'], location['x'] + size['width']
screen = browser.get_screenshot_as_png()
screen = Image.open(BytesIO(screen))
cap = screen.crop((left, top, right, bottom))
cap.save('asas.png')
10. 切换 Frame
我们知道网页中有一种节点叫作 iframe，也就是子 Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。Selenium 打开页面后，它默认是在父级 Frame 里面操作，而此时如果页面中还有子 Frame，它是不能获取到子 Frame 里面的节点的。这时就需要使用 switch_to.frame() 方法来切换 Frame。示例如下：
browser.get('https://www.douban.com/')
login_iframe = browser.find_element_by_xpath('//div[@class="login"]/iframe')
browser.switch_to.frame(login_iframe)
browser.find_element_by_class_name('account-tab-account').click()
browser.find_element_by_id('username').send_keys('123123123')
注意：对于iframe 网页 一定要切换进去才能够定位、
11. 延时等待
在 Selenium 中，get() 方法会在网页框架加载结束后结束执行，此时如果获取 page_source，可能并不是浏览器完全加载完成的页面，如果某些页面有额外的 Ajax 请求，我们在网页源代码中也不一定能成功获取到。所以，这里需要延时等待一定时间，确保节点已经加载出来。
这里等待的方式有两种：一种是隐式等待，一种是显式等待。
隐式等待
当使用隐式等待执行测试的时候，如果 Selenium 没有在 DOM 中找到节点，将继续等待，超出设定时间后，则抛出找不到节点的异常。换句话说，当查找节点而节点并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是 0。示例如下：
import time
from selenium import webdriver
s = time.time()
browser.implicitly_wait(10)
browser.get('https://www.zhihu.com/explore')
try:
input = browser.find_element_by_class_name('zu-top-add-question')
finally:
print(time.time() - s)
在这里我们用 implicitly_wait() 方法实现了隐式等待
显式等待
隐式等待的效果其实并没有那么好，因为我们只规定了一个固定时间，而页面的加载时间会受到网络条件的影响。
这里还有一种更合适的显式等待方法，它指定要查找的节点，然后指定一个最长等待时间。如果在规定时间内加载出来了这个节点，就返回查找的节点；如果到了规定时间依然没有加载出该节点，则抛出超时异常。示例如下：
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
browser = webdriver.Chrome()
browser.get('https://www.taobao.com/')
#2种调用方法, 生成实例对象后调用,实例对象中一共要传4个参数
"""
driver 填写驱动对象
timeout, 设置最大超时
poll_frequency 设置检测频率的间隔时间
ignored_exceptions 忽略的异常信息
"""
wait = WebDriverWait(browser, 10)
input = wait.until(EC.presence_of_element_located((By.ID, 'q')))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))
# 或者直接调用WebDriverWait.until()
element=browser.until(lambda x:x.find_element(By.XPATH,'//div'))
print(input, button)
这样可以做到的效果就是，在 10 秒内如果 ID 为 q 的节点（即搜索框）成功加载出来，就返回该节点；如果超过 10 秒还没有加载出来，就抛出异常。
对于按钮，可以更改一下等待条件，比如改为 element_to_be_clickable，也就是可点击，所以查找按钮时查找 CSS 选择器为.btn-search 的按钮，如果 10 秒内它是可点击的，也就是成功加载出来了，就返回这个按钮节点；如果超过 10 秒还不可点击，也就是没有加载出来，就抛出异常。
表 7-1 等待条件及其含义
| 等待条件 | 含义 |
|---|---|
| title_is | 标题是某内容 |
| title_contains | 标题包含某内容 |
| presence_of_element_located((By.CSS_SELECTOR,'.ui-page > div.ui-page-wrap')) | 节点加载出，传入定位元组，如 (By.ID, 'p') 只要一个符合条件的元素加载出来就通过 |
| presence_of_all_elements_located((By.CSS_SELECTOR,'.ui-page > div.ui-page-wrap')) | 所有节点加载出 |
| visibility_of_element_located | 节点可见，传入定位元组 这三个条件验证元素是否可见，前两个传入参数是元组类型的locator，第三个传入WebElement |
| 第一个和第三个其实质是一样的 | |
| invisibility_of_element_located | 节点不可见 |
| visibility_of | 可见，传入节点对象 |
| text_to_be_present_in_element | 某个节点文本包含某文字 判断元素的text |
| text_to_be_present_in_element_value | 某个节点值包含某文字 判断元素的value属性 |
| frame_to_be_available_and_switch_to_it frame | 加载并切换 |
| element_to_be_clickable | 节点可点击 |
| staleness_of | 判断一个节点是否仍在 DOM，可判断页面是否已经刷新 |
| element_to_be_selected | 节点可选择，传节点对象 |
| element_located_to_be_selected | 节点可选择，传入定位元组 |
| element_selection_state_to_be | 传入节点对象以及状态，相等返回 True，否则返回 False |
| element_located_selection_state_to_be | 传入定位元组以及状态，相等返回 True，否则返回 False |
| alert_is_present | 是否出现 Alert |
更多详细的等待条件的参数及用法介绍可以参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions
12. 前进后退
平常使用浏览器时都有前进和后退功能，Selenium 也可以完成这个操作，它使用 back() 方法后退，使用 forward() 方法前进。示例如下：
import time
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.baidu.com/')
browser.get('https://www.taobao.com/')
browser.get('https://www.python.org/')
browser.back()
time.sleep(1)
browser.forward()
browser.close()
这里我们连续访问 3 个页面，然后调用 back() 方法回到第二个页面，接下来再调用 forward() 方法又可以前进到第三个页面。
13. 选项卡管理
在访问网页的时候，会开启一个个选项卡。在 Selenium 中，我们也可以对选项卡进行操作。示例如下：
import time
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')
print(browser.window_handles)
browser.switch_to_window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])
browser.get('https://pic.netbian.com')
控制台输出如下：
['CDwindow-4f58e3a7-7167-4587-bedf-9cd8c867f435', 'CDwindow-6e05f076-6d77-453a-a36c-32baacc447df']
首先访问了百度，然后调用了 execute_script() 方法，这里传入 window.open() 这个 JavaScript 语句新开启一个选项卡。接下来，我们想切换到该选项卡。这里调用 window_handles 属性获取当前开启的所有选项卡，返回的是选项卡的代号列表。要想切换选项卡，只需要调用 switch_to_window() 方法即可，其中参数是选项卡的代号。这里我们将第二个选项卡代号传入，即跳转到第二个选项卡，接下来在第二个选项卡下打开一个新页面，然后切换回第一个选项卡重新调用 switch_to_window() 方法，再执行其他操作即可。
14. 异常处理
在使用 Selenium 的过程中，难免会遇到一些异常，例如超时、节点未找到等错误，一旦出现此类错误，程序便不会继续运行了。这里我们可以使用 try except 语句来捕获各种异常。
from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException
browser = webdriver.Chrome()
try:
browser.get('https://www.baidu.com')
except TimeoutException:
print('Time Out')
try:
browser.find_element_by_id('hello')
except NoSuchElementException:
print('No Element')
finally:
browser.close()
这里我们使用 try except 来捕获各类异常。比如，我们对 find_element_by_id() 查找节点的方法捕获 NoSuchElementException 异常，这样一旦出现这样的错误，就进行异常处理，程序也不会中断了。
控制台的输出如下：
No Element
关于更多的异常类，可以参考官方文档：：http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions。
15 绕过检测
方法1
# 无处理
browser.get('https://bot.sannysoft.com/')
# 设置屏蔽
options = webdriver.ChromeOptions()
options.add_argument('--disable-blink-features=AutomationControlled')
browsers = webdriver.Chrome(chrome_options=options)
browsers.get('https://bot.sannysoft.com/')
方法2
如何正确移除Selenium中的 window.navigator.webdriver
老方法:https://mp.weixin.qq.com/s?__biz=MzI2MzEwNTY3OQ==&mid=2648976873&idx=1&sn=ffd69eb713c6bde3e6f4911eef7293cc&scene=21#wechat_redirect
方法3
新方法:https://mp.weixin.qq.com/s?__biz=MzI2MzEwNTY3OQ%3D%3D&idx=1&mid=2648978304&scene=21&sn=bff6a1f03b29702f2393a9fef9a50452#wechat_redirect
通过写 Chrome 浏览器的插件，让插件里面的 JavaScript 语句在网站页面刚刚打开，还没有运行自带的 JavaScript 之前运行。
这种方式虽然可以解决问题，但稍显麻烦，我们今天的方法非常简单。就是使用 Google 的Chrome Devtools-Protocol（Chrome 开发工具协议）简称CDP
通过这个命令，我们可以给定一段 JavaScript 代码，让 Chrome 刚刚打开每一个页面，还没有运行网站自带的 JavaScript 代码时，就先执行我们给定的这段代码。
那么如何在 Selenium 中调用 CDP 的命令呢？实际上非常简单，我们使用driver.execute_cdp_cmd,根据 Selenium 的官方文档[2]，传入需要调用的 CDP 命令和参数即可,于是我们可以写出如下代码：
from selenium.webdriver import Chrome
driver = Chrome('./chromedriver')
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
"source": """
Object.defineProperty(navigator, 'webdriver', {
get: () => undefined
})
"""
})
driver.get('http://exercise.kingname.info')
只需要执行一次，之后只要你不关闭这个driver开启的窗口，无论你打开多少个网址，他都会自动提前在网站自带的所有js之前执行这个语句，隐藏window.navigator.webdriver。
虽然使用以上代码就可以达到目的了，不过为了实现更好的隐藏效果，大家也可以继续加入两个实验选项：
from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_experimental_option("excludeSwitches", ["enable-automation"])
options.add_experimental_option('useAutomationExtension', False)
driver = webdriver.Chrome(options=options, executable_path='./chromedriver')
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
"source": """
Object.defineProperty(navigator, 'webdriver', {
get: () => undefined
})
"""
})
driver.get('http://exercise.kingname.info')
CPD 的官方文档: https://chromedevtools.github.io/devtools-protocol/tot/Page#method-addScriptToEvaluateOnNewDocument
方法4
屏蔽webdriver特征还可以试试下面参数.
option.add_argument("--disable-blink-features")
option.add_argument("--disable-blink-features=AutomationControlled")
16 selenium案例
# coding:utf-8
from selenium import webdriver
import requests
import sys
import time
from lxml import etree
import cPickle
import os
# reload(sys)
# sys.setdefaultencoding('utf-8')
class Zhihu:
def __init__(self,homeurl):
self.homeurl = homeurl
def save_session(self,session): #保存session，下次可直接使用，避免再次登录
with open('session.txt','wb') as f:
cPickle.dump(session, f)
print "Cookies have been writed."
def load_session(self): #加载session
with open('session.txt', 'rb') as f:
s = cPickle.load(f)
return s
def GetCookies(self): #初次登录用selenium模拟，并获得cookies
browser = webdriver.Chrome()
browser.get("https://www.zhihu.com/signin")
browser.find_element_by_xpath("//main//div[2]/div[1]/form/div[1]/div[2]/div[1]/input").send_keys("13060882373")
browser.find_element_by_xpath("//main//div[2]/div[1]/form/div[2]/div/div[1]/input").send_keys("xxxxxx")
browser.find_element_by_xpath("//main//div[2]/div[1]/form/button").click()
time.sleep(10)
cookies = browser.get_cookies()
browser.quit()
return cookies
def get_session(self): #获取session
s = requests.Session()
if not os.path.exists('session.txt'): #如果没有session，则创建一个，并且保存到文件中
s.headers.clear()
for cookie in self.GetCookies():
s.cookies.set(cookie['name'], cookie['value'])
self.save_session(s)
else: #如果已存在session，则直接加载使用
s = self.load_session()
return s
def Crawl(self): #开始爬取
s = self.get_session()
html = s.get(self.homeurl).text
html_tree = etree.HTML(html)
items = html_tree.xpath('//main//div[1]/div[2]//div[@class="ContentItem AnswerItem"]/@data-zop')
for item in items:
content = eval(item)
authorName = content['authorName']
title = content['title']
print authorName + "回答了：" + title
zhihu = Zhihu('https://www.zhihu.com/')
zhihu.Crawl()
17 selenium案例
采集义务购商品网站
http://www.yiwugo.com/
# encoding: utf-8
"""
@author: 夏洛
@QQ: 1972386194
@file: 案例.py
"""
from selenium import webdriver
import time,random
# browser = webdriver.Chrome()
from pymongo import MongoClient
class YwShop():
def __init__(self):
options = webdriver.ChromeOptions()
options.add_argument('--disable-blink-features=AutomationControlled')
self.browser = webdriver.Chrome(chrome_options=options)
def base(self):
self.browser.get('http://www.yiwugo.com/')
input = self.browser.find_element_by_id('inputkey')
input.send_keys('饰品')
self.browser.find_element_by_xpath('//div[@class="search-index"]/span[last()]').click()
def spider(self):
self.drop_down()
li = self.browser.find_elements_by_class_name('pro_list_product_img2')
for j in li:
title = j.find_element_by_xpath('.//li/a[@class="productloc"]')
price = j.find_element_by_xpath('.//li/span[@class="pri-left"]/em')
info = j.find_elements_by_xpath('.//li/span[@class="pri-right"]/span')
address = j.find_element_by_xpath('.//li[@class="shshopname"]')
texts = ''
for i in info:
texts = i.text
items = {
'标题':title.text,
"价钱": price.text,
"地址": address.text,
"信息":texts
}
self.save_mongo(items)
self.page_next()
def save_mongo(self,data):
client = MongoClient() # 建立连接
col = client['python']['xx']
if isinstance(data, dict):
res = col.insert_one(data)
return res
else:
return '单条数据必须是这种格式：{"name":"age"}，你传入的是%s' % type(data)
def page_next(self):
try:
next = self.browser.find_element_by_xpath('//ul[@class="right"]/a[@class="page_next_yes"]')
if next:
next.click()
self.spider()
else:
self.browser.close()
except Exception as e:
print(e)
def drop_down(self):
for x in range(1, 10):
j = x / 10
js = f"document.documentElement.scrollTop = document.documentElement.scrollHeight * {j}"
self.browser.execute_script(js)
time.sleep(random.randint(400,800)/1000)
if __name__ == '__main__':
f = YwShop()
f.base()
f.spider()
