今日内容概要
- selenium的使用
- 打码平台使用
- xpath使用
- 爬取京东商品信息
- scrapy 介绍和安装
内容详细
1、selenium模块的使用
# 之前咱们学requests,可以发送http请求,但是有的页面是由render+ajax渲染完的,如果只使用requestes,它只能执行render的请求,拿回数据,执行ajax的请求,需要你再去分析,再去发请求
# 使用selenium,控制浏览器,操作浏览器,完成人的行为-->自动化测试工具
# 本质是python通过代码,借助于浏览器驱动,操作浏览器 真正的实现了,可见即可爬
# 下载模块:
pip3 install selenium
# 下载相关浏览器驱动:IE,火狐,谷歌(推荐用)
# 谷歌驱动:
https://registry.npmmirror.com/binary.html?path=chromedriver/
跟浏览器版本一定要对应
100.0.4896.127----》驱动也要对应https://registry.npmmirror.com/binary.html?path=chromedriver/101.0.4951.41/
如果没有具体版本找一个最接近的
把驱动放在项目下
1.0 基本使用
from selenium import webdriver
import time
# 用代码打开一个浏览器
# bro = webdriver.Chrome(executable_path='./chromedriver') # mac linux
bro = webdriver.Chrome(executable_path='chromedriver.exe') # win
# 在地址栏输入地址
bro.get('https://www.baidu.com')
# 找到输入框
search = bro.find_element_by_id('kw')
# 在输入框输入美女
search.send_keys("美女")
# 找到百度一下按钮
button = bro.find_element_by_id('su')
# 点击一下按钮
button.click()
time.sleep(2)
print(bro.page_source) # 当前页面的html内容
with open('baidu.html', 'w', encoding='utf-8') as f:
f.write(bro.page_source) # 包含redner+ajax
bro.close()
1.1 无头浏览器
# 做爬虫,不希望显示的打开浏览器,但是selenium必须要用浏览器,让浏览器不显示,后台运行,完成爬虫
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
# 得到一个配置对象
chrome_options = Options()
chrome_options.add_argument('window-size=1920x3000') # 指定浏览器分辨率
chrome_options.add_argument('--disable-gpu') # 谷歌文档提到需要加上这个属性来规避bug
chrome_options.add_argument('--hide-scrollbars') # 隐藏滚动条, 应对一些特殊页面
chrome_options.add_argument('blinfk-settings=imagesEnabled=alse') # 不加载图片, 提升速度
chrome_options.add_argument('--headless') # 浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败
bro = webdriver.Chrome(executable_path='./chromedriver', options=chrome_options)
bro.get('http://www.cnblogs.com')
print(bro.page_source)
bro.close()
1.2 获取元素位置,属性,大小
# 一般验证码破解上
补充:标签位置和大小:size和location
# 一般用来扣验证码图片:可能会由于分辨率问题导致扣出的图不一致---》通过修改分辨率--》实现正确抠图
# 验证码是img---》src--》自己加载就能拿到验证码,保存到本地即可(requests)-->更简单
print(tag.id) # id,但是不是标签的id,selenium提供的一个id
print(tag.location) # 位置
print(tag.tag_name) # 标签名
print(tag.size) # 标签的大小
from selenium import webdriver
import time
from PIL import Image
bro = webdriver.Chrome(executable_path='./chromedriver') # mac linux
# 在地址栏输入地址
bro.get('https://www.jd.com/')
bro.implicitly_wait(10)
# 找到图片
img = bro.find_element_by_css_selector('a.logo_tit_lk')
# print(img.location) # 图片位置 {'x': 105, 'y': 41}
# print(img.size) # 图片大小 通过位置和大小可以唯一确定这张图,通过截图可以把图截出来
# print(img.id) # selenium提供的id号,忽略
# print(img.tag_name) # a
location = img.location
size = img.size
bro.save_screenshot('./main.png') # 把整个页面保存成图片
# pillow抠图,把图标抠出来
# 第一个参数 开始截图的x坐标
# 第二个参数 开始截图的y坐标
# 第三个参数 结束截图的x坐标
# 第四个参数 结束截图的y坐标
img_tu = (
int(location['x']), int(location['y']), int(location['x'] + size['width']), int(location['y'] + size['height']))
# # 使用pillow打开截图
img = Image.open('./main.png')
# 从截图中按照位置扣除验证码
code_img = img.crop(img_tu)
# 把扣出来的图,保存到本地
code_img.save('./code.png')
# 参数说明
bro.close()
## 补充:标签位置和大小:size和location
# 一般用来扣验证码图片:可能会由于分辨率问题导致扣出的图不一致---》通过修改分辨率--》实现正确抠图
# 验证码是img---》src--》自己加载就能拿到验证码,保存到本地即可(requests)-->更简单
![image](https://img2022.cnblogs.com/blog/2607925/202205/2607925-20220510210531817-747180408.png)
1.3 等待元素被加载
# 代码操作,速度非常快,可能标签还没有加载出来,代码就去取标签操作,所以找不到标签,报错
# 等待标签加载完成再取
显示等待:每个标签都要写等待逻辑
隐式等待:任何要取的标签都遵循这个逻辑,只需要写一次(推荐用)
bro.implicitly_wait(10) # 取这个标签,如果取不到就等待,直到标签加载完成或10s到了
1.4 元素操作
from selenium import webdriver
import time
bro = webdriver.Chrome(executable_path='./chromedriver') # mac linux
bro.get('https://www.baidu.com/')
bro.implicitly_wait(10) # 隐式等待
# 查找标签的方式:# selenium:find_element_by_xx,find_elements_by_xx
# 1、find_element_by_id # 通过id找
# 2、find_element_by_link_text # 通过a标签文字
# 3、find_element_by_partial_link_text # 通过a标签文字模糊找
# 4、find_element_by_tag_name # 通过标签名找
# 5、find_element_by_class_name # 通过类名找
# 6、find_element_by_name # 通过name属性找
# 7、find_element_by_css_selector # css选择器
# 8、find_element_by_xpath # xpath选择器
# 查找a标签文本内容是登陆的
login_a = bro.find_element_by_link_text('登录')
# login_a = bro.find_element_by_link_id('s-top-loginbtn')
# 点击a标签
login_a.click()
## 找到账号登陆,点击
login_pwd_btn = bro.find_element_by_id('TANGRAM__PSP_11__changePwdCodeItem')
login_pwd_btn.click()
# 找到用户名的输入框和密码的输入框--》输入用户名密码
username = bro.find_element_by_name('userName')
pwd = bro.find_element_by_css_selector('#TANGRAM__PSP_11__password')
username.send_keys("30033445@qq.com")
pwd.send_keys('lqz12345678')
time.sleep(3)
username.clear()
username.send_keys("lqz12345@qq.com")
submit = bro.find_element_by_id('TANGRAM__PSP_11__submit')
submit.click()
# 弹出验证码识别--》可以手动点击
# 登陆成功
time.sleep(5)
bro.close()
# 登陆越来越难自动登陆---》明白登陆的目的是什么?---》
# 拿到cookie发送请求,水军自动回复,投票,点赞,评论--》半自动登陆后--》
# 取到cookie,搭建cookie池--》每次使用requests发送请求,自动评论,投票,携带cookie
# send_keys click clear
# 查找方法
1.5 执行js
# 普遍常用,在本地页面中直接执行js代码
# 第一种情况,控制操作页面滑动
# 第二种情况:使用当前页面中的一些变量,执行页面中的函数
from selenium import webdriver
import time
bro = webdriver.Chrome(executable_path='./chromedriver') # mac linux
bro.get('https://www.pearvideo.com/category_9')
bro.implicitly_wait(10) # 隐式等待
# bro.execute_script("alert('hello')")
# 第一种情况,控制操作页面滑动
# bro.execute_script('window.scrollBy(0, document.body.scrollHeight)')
# time.sleep(1)
# bro.execute_script('window.scrollBy(0, document.body.scrollHeight)')
# time.sleep(1)
# bro.execute_script('window.scrollBy(0, document.body.scrollHeight)')
# 第二种情况:使用当前页面中的一些变量,执行页面中的函数
# bro.execute_script('alert(md5_vm_test())')
# bro.execute_script('alert(urlMap)')
time.sleep(5)
bro.close() # 控制浏览器打开后5秒关闭
1.6 切换选项卡
import time
from selenium import webdriver
browser = webdriver.Chrome(executable_path='./chromedriver')
browser.get('https://www.baidu.com')
# 打开选项卡
browser.execute_script('window.open()')
print(browser.window_handles) # 获取所有的选项卡
browser.switch_to.window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(2)
browser.switch_to.window(browser.window_handles[0])
browser.get('https://www.sina.com.cn')
browser.close() # 关闭当前选项卡
browser.quit() # 退出浏览器
1.7 模拟前进后退
import time
from selenium import webdriver
browser = webdriver.Chrome(executable_path='./chromedriver')
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.get('http://www.sina.com.cn/')
browser.back()
time.sleep(2)
browser.forward()
browser.close()
1.8 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()
1.9 selenium登录cnblogs获取cookie
# 先使用selenium 半自动登录到cnblogs----》取出cookie存到本地
# 下次使用selenium 访问cnblogs--》加载之前的cookie---》变成了登陆状态
from selenium import webdriver
import json
import time
bro = webdriver.Chrome(executable_path='./chromedriver')
# 登陆取cookie的过程
# try:
# bro.get('http://www.cnblogs.com')
# bro.implicitly_wait(10)
# submit_a=bro.find_element_by_link_text('登录')
# submit_a.click()
# username=bro.find_element_by_id('mat-input-0')
# password=bro.find_element_by_id('mat-input-1')
# username.send_keys('616564099@qq.com')
# password.send_keys('lqz123') # 手动输入
#
#
#
# # submit=bro.find_element_by_class_name('mat-button-wrapper')
# # submit.click()
# input() # 手动输入密码,点击登录,验证码通过,再敲回车,继续往下走
# # 弹出验证码---》不好破--->手动操作---》
# # 登陆成功了
# # 把cookie保存到本地
# # print(bro.get_cookies())
#
# with open('cnblogs.json','w',encoding='utf-8') as f:
# json.dump(bro.get_cookies(),f)
#
#
# except Exception as e:
# print(e)
# finally:
# bro.close()
# 访问写入cookie
try:
bro.get('http://www.cnblogs.com')
bro.implicitly_wait(10)
# 写入本地的cookie
with open('cnblogs.json', 'r', encoding='utf-8') as f:
cookie_dic = json.load(f)
# 写入到浏览器
# bro.add_cookie(cookie_dic)
for item in cookie_dic: # 设置cookie必须用字典,cookie的json文件是列表,所以用循环往里放
bro.add_cookie(item)
bro.refresh() # 刷新一下浏览器
time.sleep(2)
except Exception as e:
print(e)
finally:
bro.close()
1.10 抽屉半自动点赞
# (纯自动登陆,不好登)使用selenium半自动登陆---》可以登陆上很多小号---》拿到cookie保存到redis(保存到本地)
# 再使用requests+cookie池中的某个cookie---》刷评论,刷赞
from selenium import webdriver
import time
import json
# # 1 先登陆进去,取到cookie, 存到本地
# bro = webdriver.Chrome(executable_path='./chromedriver')
# try:
# bro.get('https://dig.chouti.com/')
# submit_btn = bro.find_element_by_id('login_btn')
# submit_btn.click() # 如果报错,用下面这句
# # bro.execute_script('arguments[0].click();', submit_btn) # 使用js点击
#
# username = bro.find_element_by_name('phone')
# pwd = bro.find_element_by_name('password')
# username.send_keys('18953675221')
# pwd.send_keys('lqz123----')
#
# submit = bro.find_element_by_css_selector(
# 'body > div.login-dialog.dialog.animated2.scaleIn > div > div.login-footer > div:nth-child(4) > button')
#
# time.sleep(2)
# submit.click()
# # 出验证码
# input()
#
# with open('chouti.json', 'w', encoding='utf-8') as f:
# json.dump(bro.get_cookies(), f)
#
# time.sleep(3)
#
# except Exception as e:
# print(e)
# finally:
# bro.close()
# # 2 使用requests自动点赞---》requests可以多线程,速度快的一批,如果使用selenium操作浏览器,没法多线程,吃内存很大
import requests
from bs4 import BeautifulSoup
header = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
res = requests.get('https://dig.chouti.com/', headers=header)
# print(res.text)
soup = BeautifulSoup(res.text, 'lxml')
div_list = soup.find_all(class_='link-item')
for div in div_list:
article_id = div.attrs.get('data-id')
print(article_id)
if article_id:
data = {
'linkId': article_id
}
# cookie 写入
cookie = {}
with open('chouti.json', 'r') as f:
res = json.load(f)
for item in res:
# selenium的cookie和requests模块使用的cookie不太一样,requests只要name和value
cookie[item['name']] = item['value']
res = requests.post('https://dig.chouti.com/link/vote', headers=header, data=data, cookies=cookie)
print(res.text)
# data = {
# 'linkId': '34976644'
# }
# res = requests.post('https://dig.chouti.com/link/vote', headers=header, data=data)
# print(res)
2、打码平台使用
# 第三方平台破解验证码---》花钱买服务,把图片给人家,人家帮你解开,返回来
# 云打码,超级鹰
# 超级鹰
开发文档:python示例代码
应用案例:爬虫采集技术,自动智能化、人工化(大妈破解--》传给你)多种模式兼备
价格体系:1元=1000分
import requests
from hashlib import md5
class ChaojiyingClient():
def __init__(self, username, password, soft_id):
self.username = username
password = password.encode('utf8')
self.password = md5(password).hexdigest()
self.soft_id = soft_id
self.base_params = {
'user': self.username,
'pass2': self.password,
'softid': self.soft_id,
}
self.headers = {
'Connection': 'Keep-Alive',
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
}
def PostPic(self, im, codetype):
"""
im: 图片字节
codetype: 题目类型 参考 http://www.chaojiying.com/price.html
"""
params = {
'codetype': codetype,
}
params.update(self.base_params)
files = {'userfile': ('ccc.jpg', im)}
r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files,
headers=self.headers)
return r.json()
def PostPic_base64(self, base64_str, codetype):
"""
im: 图片字节
codetype: 题目类型 参考 http://www.chaojiying.com/price.html
"""
params = {
'codetype': codetype,
'file_base64': base64_str
}
params.update(self.base_params)
r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, headers=self.headers)
return r.json()
def ReportError(self, im_id):
"""
im_id:报错题目的图片ID
"""
params = {
'id': im_id,
}
params.update(self.base_params)
r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
return r.json()
if __name__ == '__main__':
chaojiying = ChaojiyingClient('306334678', 'lqz12345', '903641') # 用户中心>>软件ID 生成一个替换 96001
im = open('./b.png', 'rb').read() # 本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
print(chaojiying.PostPic(im, 6001)) # 1902 验证码类型 官方网站>>价格体系 3.4+版 print 后要加()
# print chaojiying.PostPic(base64_str, 1902) #此处为传入 base64代码
![image](https://img2022.cnblogs.com/blog/2607925/202205/2607925-20220510194756104-1268082522.png)
![image](https://img2022.cnblogs.com/blog/2607925/202205/2607925-20220510194930096-1512252120.png)
3、xpath使用
# css 和 xpath 和自己的
# xpath:XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言
. # 选取当前节点
.. # 选取当前节点的父节点
/ # 表示当前路径
// # 表示任意路径,子子孙孙
nodename # a img p 节点名字
## 举例
// div # //div 在当前html的任意路径下找div
/ div # 只找本层的div
* # 任意标签
@href # 取这个标签的属性
/ text() # 获取标签的文本
doc = '''
<html>
<head>
<base href='http://example.com/' />
<title>Example website</title>
</head>
<body>
<div id='images'>
<a href='image1.html' id='id_a'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
<a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
<a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
<a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
<a href='image5.html' class='li li-item' name='items'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
<a href='image6.html' name='items'><span><h5>test</h5></span>Name: My image 6 <br /><img src='image6_thumb.jpg' /></a>
</div>
</body>
</html>
'''
# pip3 install lxml
from lxml import etree
html = etree.HTML(doc)
# html=etree.parse('search.html',etree.HTMLParser())
### 案例
# 1 所有节点
a = html.xpath('//*')
# 2 指定节点(结果为列表)
a = html.xpath('//head')
# 3 子节点,子孙节点
# a = html.xpath('//div/a')
# a = html.xpath('//body/a') # 无数据
a = html.xpath('//body//a')
# 4 父节点 [@href="image1.html"] 属性匹配
# a = html.xpath('//body//a[@href="image1.html"]/..')
# a = html.xpath('//body//a[1]/..')
# 也可以这样
# a = html.xpath('//body//a[1]/parent::*')
a = html.xpath('//body//a[1]/parent::body') # 无
# 5 属性匹配
a = html.xpath('//body//a[@href="image1.html"]')
# 6 文本获取
a = html.xpath('//body//a[@href="image1.html"]/text()')
# 7 属性获取
# a = html.xpath('//body//a/@href')
# # 注意从1 开始取(不是从0)
a = html.xpath('//body//a[1]/@href')
# 8 属性多值匹配
# a 标签有多个class类,直接匹配就不可以了,需要用contains
# a = html.xpath('//body//a[@class="li"]') # 找不到,因为a有多个类
# a = html.xpath('//body//a[contains(@class,"li")]')
a = html.xpath('//body//a[contains(@class,"li")]/text()')
# 9 多属性匹配
# a = html.xpath('//body//a[contains(@class,"li") or @name="items"]')
# a = html.xpath('//body//a[contains(@class,"li") and @name="items"]/text()')
a = html.xpath('//body//a[contains(@class,"li")]/text()')
# 10 按序选择
# a = html.xpath('//a[2]/text()')
# a = html.xpath('//a[2]/@href')
# 取最后一个
# a = html.xpath('//a[last()]/@href')
# 位置小于3的
# a = html.xpath('//a[position()<3]/@href')
# 倒数第二个
a = html.xpath('//a[last()-2]/@href')
# 11 节点轴选择
# ancestor:祖先节点
# 使用了* 获取所有祖先节点
# a = html.xpath('//a/ancestor::*')
# # 获取祖先节点中的div
# a = html.xpath('//a/ancestor::div')
# attribute:属性值
# a = html.xpath('//a[1]/attribute::id')
# child:直接子节点
# a = html.xpath('//a[1]/child::*')
# descendant:所有子孙节点
a = html.xpath('//a[6]/descendant::*')
# # following:当前节点之后所有节点
# a = html.xpath('//a[1]/following::*')
# a = html.xpath('//a[1]/following::*[1]/@href')
# # following-sibling:当前节点之后同级节点
# a = html.xpath('//a[1]/following-sibling::*')
# a = html.xpath('//a[1]/following-sibling::a')
# a = html.xpath('//a[1]/following-sibling::*[2]')
a = html.xpath('//a[1]/following-sibling::*[2]/@href')
# 终极大招---》复制
# //*[@id="maincontent"]/div[5]/table/tbody/tr[2]/td[2]
print(a)
4、使用selenium爬取京东商品信息
from selenium import webdriver
from selenium.webdriver.common.keys import Keys # 键盘按键操作
import time
def get_goods(driver):
try:
# 找到所有类名叫gl-item的标签
goods = driver.find_elements_by_class_name('gl-item')
for good in goods:
detail_url = good.find_element_by_tag_name('a').get_attribute('href')
p_name = good.find_element_by_css_selector('.p-name em').text.replace('\n', '')
price = good.find_element_by_css_selector('.p-price i').text
p_commit = good.find_element_by_css_selector('.p-commit a').text
img = good.find_element_by_css_selector('div.p-img img').get_attribute('src')
if not img:
img = 'http:' + good.find_element_by_css_selector('div.p-img img').get_attribute('data-lazy-img')
msg = '''
商品 : %s
链接 : %s
图片 : %s
价钱 :%s
评论 :%s
''' % (p_name, detail_url, img, price, p_commit)
print(msg, end='\n\n')
button = driver.find_element_by_partial_link_text('下一页')
button.click()
time.sleep(1)
get_goods(driver)
except Exception:
pass
def spider(url, keyword):
driver = webdriver.Chrome(executable_path='./chromedriver')
driver.get(url)
driver.implicitly_wait(3) # 使用隐式等待
try:
input_tag = driver.find_element_by_id('key')
input_tag.send_keys(keyword)
input_tag.send_keys(Keys.ENTER) # 敲回车
get_goods(driver)
finally:
driver.close()
if __name__ == '__main__':
spider('https://www.jd.com/', keyword='精品内衣')
5、scrapy框架 介绍和安装
# 之前学的 requests,bs4,selenium 都叫模块
# scrapy :
框架 类似于djagno框架,在固定的位置写固定的代码即可
# 基于这个框架写一个爬虫项目
# 安装:
pip3 install scrapy # mac linux 上没问题
win上可能装不上(90%都能装上)---》其实是因为twisted装不上
# 如果win装不上 按照以下步骤:
1、pip3 install wheel # 装了它,以后支持直接使用whl文件安装
#安装后,便支持通过wheel文件安装软件,wheel文件官网:https://www.lfd.uci.edu/~gohlke/pythonlibs
2、pip3 install lxml
3、pip3 install pyopenssl
4、下载并安装pywin32:https://sourceforge.net/projects/pywin32/files/pywin32/
5、下载twisted的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
6、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
7、pip3 install scrapy
# 装完后,就会有个scrapy 可执行文件 等同于django-admin
# 创建scrapy项目 等同于django-admin
可以到cmd窗口下执行
scrapy startproject myfirst
使用pycharm打开
# 创建爬虫 等同于django 创建app
scrapy genspider 爬虫名 爬虫地址
scrapy genspider cnblogs www.cnblogs.com
# 运行爬虫
scrapy crawl cnblogs