selenium模块 phantomJs 谷歌无可视界面
参考微博:
什么是selenium
一款基于浏览器自动化的模块
什么是浏览器自动化
通过脚本程序或者python代码,这组程序或者代码表示一些行为动作,selenium可以让这些行为动作映射到浏览器中,根据设定好的行为动作完成自动化的操作
和爬虫的关联
模拟登陆
获取动态数据
#演示程序 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.exe') # 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()
selenium如何获取动态加载数据
环境的安装:pip install selenium
基本使用流程
1.from selenium import webdriver
2.结合着某一款浏览器驱动程序实例化一个浏览器对象 bro=webdriver.Chrome(executable_path='./chromedriver.exe')
3.下载浏览器驱动:http://chromedriver.storage.googleapis.com/index.html 将下载的驱动放在对应爬虫项目的文件夹里面
3.1查看驱动和浏览器版本的映射系:http://blog.csdn.net/huilan_same/article/details/51896672
4.通过get发起请求: bro.get(url='http://125.35.6.84:81/xk/')
5.通过xpath或者bs4 获取当前页面的源码数据
page_text=bro.page_source soup=BeautifulSoup(page_text,'lxml') dl_list=soup.select('#gzlist > li > dl') for dl in dl_list: print(dl.string)
编写自动化操作代码
#low版爬取药监局的数据
from bs4 import BeautifulSoup #引入webdriver from selenium import webdriver #实例化浏览器对象,参数executable_path bro=webdriver.Chrome(executable_path='./chromedriver.exe') #发起一个请求 bro.get(url='http://125.35.6.84:81/xk/') #获取当前浏览器页面的源码数据 page_text=bro.page_source soup=BeautifulSoup(page_text,'lxml') dl_list=soup.select('#gzlist > li > dl') for dl in dl_list: print(dl.string)
selenium的详细用法
1.实例化浏览器(参数为浏览器的驱动) bro = webdriver.Chrome(executable_path='./chromedriver.exe')
2.通过get发起请求 bro.get('https://www.taobao.com/')
3.通过find系列定位标签 search_input = bro.find_element_by_id('q')
find_element_by_id
find_element_by_xpath
4.执行js代码execute_script,滚动刷新 bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
5.点击按钮事件 btn.click()
6.退出浏览器 bro.quit()
from selenium import webdriver from time import sleep #实例化一个浏览器对象 bro = webdriver.Chrome(executable_path='./chromedriver.exe') bro.get('https://www.taobao.com/') #在淘宝首页搜索框中录入一个商品名称 search_input = bro.find_element_by_id('q') #find系列的函数是用作于定位标签 #向定位到的标签中录入一个商品名称 search_input.send_keys('华为') sleep(2) #如何执行js代码,滚动刷新 bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(2) bro.execute_script('window.scrollTo(0,document.body.scrollHeight)') sleep(2) btn = bro.find_element_by_xpath('//*[@id="J_TSearchForm"]/div[1]/button') btn.click() sleep(2) bro.quit()
执行动作链 from selenium.webdriver import ActionChains
1.实例化一个动作连对象,且将浏览器对象作为参数传递到该对象的构造方法中 action = ActionChains(bro)
2.action.click_and_hold, action.click_and_hold(div_tag)
3.action.move_by_offset(x,y).perform() action.move_by_offset(17,0).perform()
4.action.release action.release()
from selenium import webdriver from selenium.webdriver import ActionChains from time import sleep #实例化浏览器 bro = webdriver.Chrome(executable_path='./chromedriver.exe') #发起请求 bro.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable') bro.switch_to.frame('iframeResult')#如果定位的标签存在于iframe标签之下,则必须执行该操作后,在进行标签定位 div_tag = bro.find_element_by_id('draggable') #如何使用动作连 #实例化一个动作连对象,且将浏览器对象作为参数传递到该对象的构造方法中 action = ActionChains(bro) # action.click_and_hold(div_tag) for i in range(5): #偏移的大小 action.move_by_offset(17,0).perform() sleep(0.5) 动作释放 action.release() #退出浏览器 bro.quit()
模拟登陆qq空间
1.bro.switch_to.frame('iframe_id') bro.switch_to.frame('login_frame')
2.send_keys('input标签里面添加数据') bro.find_element_by_id('u').send_keys('用户名')
3.page_source 获取页面数据 page_text=bro.page_source
#模拟登陆qq空间 from selenium import webdriver from lxml import etree from time import sleep #实例化浏览器 bro=webdriver.Chrome(executable_path='./chromedriver.exe') #发起请求 bro.get('https://qzone.qq.com/') #定位标签,并点击 bro.switch_to.frame('login_frame') bro.find_element_by_id('switcher_plogin').click() #定位标签,添加数据seed_keys bro.find_element_by_id('u').send_keys('用户名') bro.find_element_by_id('p').send_keys('密码') bro.find_element_by_id('login_button').click() sleep(2) #获取页面数据 page_text=bro.page_source #使用etree获取数据 tree=etree.HTML(page_text) data= tree.xpath('//*[@id="feed_478881649_311_0_1560636904_0_1"]/div[1]//text()') print(data) sleep(3) #退出浏览器 bro.quit()
selenium的识别与规避
识别:现在不少大网站有对selenium采取了监测机制,window.navigator.webdriver的值为 undefined。而使用selenium访问则该值为true
规避:在启动Chromedrever之前,为Chrome开启实验性功能参数,完整代码如下
1.#Chrome开启实验性功能参数
from selenium.webdriver import ChromeOptions option = ChromeOptions() option.add_experimental_option('excludeSwitches', ['enable-automation'])
2.#浏览器实例化后,需要添加参数options
bro=webdriver.Chrome(executable_path='./chromedriver.exe',options=option)
谷歌无头浏览器操作:代码如下
1.
from selenium.webdriver.chrome.options import Options # 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')
2.
#添加参数chrome_options bro=webdriver.Chrome(executable_path='./chromedriver.exe',chrome_options=chrome_options)
3.截屏操作: bro.save_screenshot('1.png')
#如何设置浏览器无可视化界面 from selenium.webdriver.chrome.options import Options # 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') url = 'https://bj.meituan.com/' #添加参数chrome_options bro=webdriver.Chrome(executable_path='./chromedriver.exe',chrome_options=chrome_options)
bro.get(url) sleep(2) bro.get(url) sleep(2)
#截屏操作 bro.save_screenshot('1.png') print(bro.page_source)
phantomJs:就是一款无可视化界面的浏览器,现在也无人维护,一般都使用谷歌无头浏览器
1.实例化phantomJs
from selenium import webdriver # phantomjs路径 path = r'PhantomJS驱动路径' browser = webdriver.PhantomJS(path)
2.其他操作和谷歌浏览器都一样
3.截屏操作 browser.save_screenshot(r'phantomjs\show.png')
from selenium import webdriver import time # phantomjs路径 path = r'PhantomJS驱动路径' browser = webdriver.PhantomJS(path) # 打开百度 url = 'http://www.baidu.com/' browser.get(url) time.sleep(3) browser.save_screenshot(r'phantomjs\baidu.png') # 查找input输入框 my_input = browser.find_element_by_id('kw') # 往框里面写文字 my_input.send_keys('美女') time.sleep(3) #截屏 browser.save_screenshot(r'phantomjs\meinv.png') # 查找搜索按钮 button = browser.find_elements_by_class_name('s_btn')[0] button.click() time.sleep(3) browser.save_screenshot(r'phantomjs\show.png') time.sleep(3) browser.quit()
总结:
- selenium:基于浏览器自动化的模块.
-浏览器自动化操作:通过脚本程序或者python代码,这组程序或者代码表示一些行为动作,selenium可以让这些行为动作映射到浏览器中,根据设定好的行为动作完成自动化的操作.
- phantomJs:一款无头浏览器,由于现在已经停止维护,所以使用谷歌无头浏览器代替
- selenium和爬虫之间的关联:
- 便捷的获取动态加载的数据
- 实现模拟登录
- 缺点:
- 爬取数据的效率低
- 环境部署繁琐
- 部署selenium环境
- pip install selenium
- 部署浏览器的环境
- 下载安装对应的浏览器
- 编码流程:
- 导包
- from selenium import webdriver
- 创建一个浏览器对象,且在创建的过程中需要使用浏览器的驱动程序
- bro=webdriver.Chrome(executable_path='./chromedriver.exe')
- 使用get方法进行请求发送
- bro.get('https://qzone.qq.com/')
- 指定其他的行为动作对应的代码
- 关闭浏览器
- bro.quit()
- 行为动作:
- 标签定位:find系列的函数
- bro.switch_to.frame('iframeResult')#如果定位的标签存在于iframe标签之下,则必须执行该操作后,在进行标签定位
- 节点交互:
- 点击:click()
- send_keys('xxx')
- 执行js:
- excute_script('jsCode')
- 动作链:
- 导包:from selemium.webdriver import ActionChians
- 创建一个动作链对象:action = ActionChians(bro)
- 调用动作链对象中封装的属性和方法:
- action.click_and_hold(ele)
- move_by_offset(x,y)
- perform():立即执行动作链
- release()
- page_source:返回当前浏览器显示页面的全部页面源码数据
- 无头的设置 phantomJs 谷歌无头浏览器
- selenium规避监测
- 截图:save_screenshot('./1.png')
