爬虫篇:selinium的使用
目录
一、 selenium基本使用
# 由于requests不能执行js,有的页面内容,我们在浏览器中可以看到,但是请求下来没有---》selenium模块:模拟操作浏览器,完成人的行为
# selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题
# selenium本质是通过驱动浏览器,完全模拟浏览器的操作,比如跳转、输入、点击、下拉等,来拿到网页渲染之后的结果,可支持多种浏览器
# 安装
pip3.8 install selenium
# 使用
-由于是驱动浏览器:需要确定好驱动哪个浏览器(ie,火狐,谷歌(推荐))
-下载相应的驱动
环境准备
# 驱动谷歌浏览器----》下载谷歌驱动---》谷歌官网访问不到---》访问淘宝镜像站下载:
https://registry.npmmirror.com/binary.html?path=chromedriver/
注意:
# (1)浏览器版本要和驱动对应好 103.0.5060.134
# (2)放到项目路径下或者环境变量中
# 遇到的问题
"""
selenium.common.exceptions.WebDriverException: Message: unknown error: cannot find Chrome binary
"""
问题产生的可能原因:为了版本对应直接下载了安装包,然后环境就乱了;
如果遇到类似的问题,可以采用以下方式解决,加上下面两行代码,其他都正常操作:
------------------------------------
option = webdriver.ChromeOptions()
option.binary_location=r'chrome的绝对路径'
------------------------------------
bro = webdriver.Chrome()
bro.get('https://www.baidu.com')
打开和关闭浏览器
from selenium import webdriver
import time
# 第一步: 等同于你双击谷歌浏览器,打开了浏览器
# bro=webdriver.Chrome(executable_path='./chromedriver.exe')
bro=webdriver.Chrome() # 不写路径,要放到项目路径或环境变量中
# 第二步:在地址栏输入地址
bro.get('http://www.baidu.com')
time.sleep(2)
# 第三步:关闭浏览器
bro.close() # 关闭标签
bro.quit() # 关闭浏览器
模拟登录百度
##### 模拟登录百度 #####
from selenium.webdriver.common.by import By
bro = webdriver.Chrome()
bro.implicitly_wait(10) # 隐士等待,无论找页面中那个标签,如果找不到,会等待最多10s钟
bro.get('https://www.baidu.com/')
# 1 根据标签id号,获取标签
# btn=bro.find_element_by_id('s-top-loginbtn') # 老版本
btn=bro.find_element(by=By.ID, value='s-top-loginbtn') # 新版本
# 2 根据文字找标签:a标签的文字
btn = bro.find_element(by=By.LINK_TEXT, value='登录')
# print(btn)
# 3 点击一下按钮
btn.click()
# 4 用户名,密码输入框
username = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__userName')
password = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__password')
# 5 输入账号密码
username.send_keys('616564099@qq.com')
time.sleep(1)
password.send_keys('lqz123')
# 6 点击登录按钮
btn_login=bro.find_element(by=By.ID,value='TANGRAM__PSP_11__submit')
btn_login.click()
# time.sleep(8)
bro.close() # 关闭标签
打开百度,搜索美女
# 打开百度,搜索美女
bro=webdriver.Chrome()
bro.implicitly_wait(10)
bro.get('https://www.baidu.com/')
input_a=bro.find_element(By.NAME,value='wd')
input_a.send_keys('美女')
btn=bro.find_element(By.ID,'su')
time.sleep(1)
btn.click()
time.sleep(3)
bro.close()
小结
# 1 查找控件:bro.find_element(by=By.ID,value='TANGRAM__PSP_11__submit')
1、find_element_by_id # 根据id
2、find_element_by_link_text # 根据a标签的文字
3、find_element_by_partial_link_text # 根据a标签的文字模糊匹配
4、find_element_by_tag_name # 根据标签名
5、find_element_by_class_name # 根据类名
6、find_element_by_name # 根据name属性
7、find_element_by_css_selector # css选择器
8、find_element_by_xpath # xpath
# 2 点击某个按钮
标签对象.click()
# 3 向输入框中写内容
标签对象.send_keys(内容)
补充:
bro.implicitly_wait(10)
隐士等待,最多等待10秒
二、 无界面浏览器
# 不显示的打开浏览器的图形化界面,还能获取数据
import time
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
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('blink-settings=imagesEnabled=false') #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
driver=webdriver.Chrome(options=chrome_options)
driver.get('https://www.cnblogs.com/')
print(driver.page_source) # 当前页面的内容(html内容)
time.sleep(2)
driver.close()
三、 selenium其它用法
3.1 获取位置属性大小,文本
import time
import base64
from selenium import webdriver
from selenium.webdriver.common.by import By
bro=webdriver.Chrome()
bro.get('https://kyfw.12306.cn/otn/resources/login.html')
bro.implicitly_wait(10)
# 获取标签并点击
btn=bro.find_element(By.LINK_TEXT,'扫码登录')
btn.click()
time.sleep(1)
# 查看二维码图片信息
img=bro.find_element(By.ID,'J-qrImg')
print(img.location) # 位置
print(img.size) # 尺寸
print(img.id) # 不是标签的id号
print(img.tag_name) # 是标签的名字
print(img.get_attribute('src'))
# 将二维码图片写入文件
s=img.get_attribute('src') # 获取src属性
with open('code.png','wb') as f:
res=base64.b64decode(s.split(',')[-1])
f.write(res)
bro.close()
3.2 等待元素被加载
# 程序操作页面非常快,所以在取每个标签的时候,标签可能没有加载号,需要设置等待
-显示等待:不需要了解
-隐士等待:bro.implicitly_wait(10)
3.3 元素操作
# 1 搜索标签:find_element:找第一个 find_elements:找所有
老版本:
# 1、find_element_by_id # 根据id
# 2、find_element_by_link_text # 根据a标签的文字
# 3、find_element_by_partial_link_text # 根据a标签的文字模糊匹配
# 4、find_element_by_tag_name # 根据标签名
# 5、find_element_by_class_name # 根据类名
# 6、find_element_by_name # 根据name属性
# 7、find_element_by_css_selector # css选择器
# 8、find_element_by_xpath # xpath
新版本:
元素=bro.find_element(By.标签类型,value)
# img=bro.find_element(By.ID,'J-qrImg')
# 2 点击
标签.click()
# 3 写入文字
标签.send_keys()
# 4 清空
标签.clear()
# 5 滑动屏幕到最底部(滑动加载)
bro.execute_script('scrollTo(0,document.body.scrollHeight)')
3.4 执行js代码
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
bro=webdriver.Chrome()
bro.get('https://www.pearvideo.com/category_8')
time.sleep(1)
# bro.execute_script()括号里面写js代码
bro.execute_script('scrollTo(0,document.body.scrollHeight)')
bro.execute_script('alert(md5_vm_test)')
bro.execute_script('alert(md5_vm_test())')
bro.execute_script('arguments[0].click()', login_btn) # 使用js点击某个按钮
time.sleep(1)
bro.close()
# 执行js用途:1 普通滑屏,打开新标签 2 可以执行js代码,别人网站的变量,函数,都可以拿到并执行的
3.5 切换选项卡
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
bro=webdriver.Chrome()
bro.get('https://www.pearvideo.com/category_8')
# 打开新的选项卡
bro.execute_script('window.open()')
# 切换到另一个选项卡,数字1代表选项卡索引
# bro.switch_to_window(bro.window_handles[1]) # 老版本,弃用了
bro.switch_to.window(bro.window_handles[1])
bro.get('http://www.baidu.com')
time.sleep(2)
# 切换回原来的选项卡,数字0代表选项卡索引
bro.switch_to.window(bro.window_handles[0])
time.sleep(2)
# bro.close()
bro.quit()
3.6 浏览器前进后退
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
bro=webdriver.Chrome()
bro.get('https://www.pearvideo.com/category_8')
time.sleep(1)
bro.get('https://www.baidu.com')
bro.back() # 后退
time.sleep(1)
bro.forward() # 前进
bro.quit()
3.7 异常处理
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
# 报错类型,点进源码还有更多类型
from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
bro=webdriver.Chrome()
try:
bro.get('https://www.pearvideo.com/category_8')
time.sleep(1)
bro.get('https://www.baidu.com')
bro.back() # 后退
raise Exception('报错了')
time.sleep(1)
bro.forward()
except Exception as e:
print(e)
finally:
bro.quit()
四、 selenium登录cnblogs获取cookie
import time
import json
from selenium import webdriver
from selenium.webdriver.common.by import By
bro=webdriver.Chrome()
bro.implicitly_wait(10)
# 1 登录成功并获取cookies写入文件
try:
bro.get('https://www.cnblogs.com/')
time.sleep(1)
# 1)点击登录标签进入输入框
btn=bro.find_element(By.LINK_TEXT,'登录')
btn.click()
time.sleep(3)
# 2)输入用户名密码
username=bro.find_element(By.ID,'mat-input-0')
password=bro.find_element(By.ID,'mat-input-1')
username.send_keys('616564099@qq.com')
time.sleep(1)
password.send_keys('lqz')
# 3)找到登录按钮并点击
btn_login=bro.find_element(By.CSS_SELECTOR,'body > app-root > app-sign-in-layout > div > div > app-sign-in > app-content-container > div > div > div > form > div > button')
btn_login.click()
# time.sleep(20) # 人工破解验证码,模拟登录成功
input() # 手动阻塞
# 4)获取cookies,json格式
----------------------------------------------------------
cookies=bro.get_cookies()
----------------------------------------------------------
# 5)存入cnblgos.json
with open('cnblgos.json','w',encoding='utf-8') as f:
json.dump(cookies,f)
time.sleep(2)
except Exception as e:
print(e)
finally:
bro.quit()
### 2 打开页面,添加文件中的cookies到浏览器
try:
bro.get('https://www.cnblogs.com/')
time.sleep(2)
# 1)把cookie写入浏览器,刷新一下,就登录了
with open('cnblgos.json','r',encoding='utf-8') as f:
res=json.load(f)
# 2)循环添加文件中的cookies到浏览器
----------------------------------------------------------
for item in res:
bro.add_cookie(item)
----------------------------------------------------------
# 3)刷新浏览器
bro.refresh()
time.sleep(2)
except Exception as e:
print(e)
finally:
bro.quit()
五、 抽屉半自动点赞+评论
# 注意:selenium的cookie和requests用的cookie格式不太一样
[{},{}]--->{'key':'value'}
name,value--->{name:value,name:value}
# 使用cookies进行登录然后进入文章进行点赞
from selenium import webdriver
from selenium.webdriver.common.by import By
import time
import json
# 一、使用requests模块, 发送点赞请求
import requests
bro = webdriver.Chrome()
bro.get('https://dig.chouti.com/')
bro.implicitly_wait(10)
# bro.maximize_window() # 全屏
try:
# 1 取出当前页面中所有的文章id,并添加到ids列表中
ids = []
id_list = bro.find_elements(By.CSS_SELECTOR, 'div.link-item')
for item in id_list:
ids.append(item.get_attribute('data-id'))
print(ids)
--------------------------------------------------------
# 2 点击登录按钮,并输入账号密码,再点击登录
# login_btn=bro.find_element(By.CSS_SELECTOR,'#login_btn')
login_btn = bro.find_element(By.ID, 'login_btn')
bro.execute_script('arguments[0].click()', login_btn) # 使用js点击
# login_btn.click()
time.sleep(1)
username = bro.find_element(By.CSS_SELECTOR,
'body > div.login-dialog.dialog.animated2.scaleIn > div > div.login-body > div.form-item.login-item.clearfix.phone-item.mt24 > div.input-item.input-item-short.left.clearfix > input')
password = bro.find_element(By.CSS_SELECTOR,
'body > div.login-dialog.dialog.animated2.scaleIn > div > div.login-footer > div.form-item.login-item.clearfix.mt24 > div > input.input.pwd-input.pwd-input-active.pwd-password-input')
username.send_keys('18953675221')
password.send_keys('lqz123')
time.sleep(3)
login_btn2 = bro.find_element(By.CSS_SELECTOR,
'body > div.login-dialog.dialog.animated2.scaleIn > div > div.login-footer > div:nth-child(4) > button')
login_btn2.click()
input('人工操作')
--------------------------------------------------------
# 3 获取cookie并存储到当前路径下的chouti.json
with open('chouti.json', 'w', encoding='utf-8') as f:
json.dump(bro.get_cookies(), f)
time.sleep(2)
--------------------------------------------------------
# 4 使用requests点赞,匹配请求头
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'
}
--------------------------------------------------------
# 5 使用request添加cookie的方式,封装好放到请求中去
with open('chouti.json', 'r', encoding='utf-8') as f:
cookie = {}
cookie_list = json.load(f)
for item in cookie_list:
cookie[item['name']] = item['value']
# {Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1:zqZgG2gcELxAevskCyAiB9m0YdTMFfrEHyHpqnH3uLyQBGCj38e8ZNNkVM4nXDmhKuCfjjQHcX8iCRefrMuAdxV8eSUR%2FmwUXMCcn9BtIMlfGLlENdR1QsrFzFZhLo2GREw%3D,}
print(cookie)
--------------------------------------------------------
# 6 将获取到的文章id也添加到请求的data中去
for item in ids:
res = requests.post('https://dig.chouti.com/link/vote',
headers=header,
data={
'linkId': item
},
cookies=cookie)
print(res.text) # 请求的结果
except Exception as e:
print(e)
finally:
bro.close()
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
# 二、评论功能
# 1 匹配请求头User-Agent、Referer
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36',
'Referer': 'https://dig.chouti.com/',
}
--------------------------------------------------------
# 2 获取cookie
with open('chouti.json', 'r', encoding='utf-8') as f:
cookie = {}
cookie_list = json.load(f)
for item in cookie_list:
cookie[item['name']] = item['value']
# {Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1:zqZgG2gcELxAevskCyAiB9m0YdTMFfrEHyHpqnH3uLyQBGCj38e8ZNNkVM4nXDmhKuCfjjQHcX8iCRefrMuAdxV8eSUR%2FmwUXMCcn9BtIMlfGLlENdR1QsrFzFZhLo2GREw%3D,}
print(cookie)
--------------------------------------------------------
# 3 发送请求,携带所需参数
res = requests.post('https://dig.chouti.com/comments/create', headers=header, cookies=cookie, data={
'content': '写的真不好搞好',
'linkId': '35860995',
'parentId': 0,
'pictureUrl': '',
'subjectId': 4,
})
print(res.text)
六、 动作链(了解)
# 模拟按住鼠标拖动的效果,或者是在某个标签上的某个位置点击的效果,主要用来做验证码的破解(滑动验证码)
from selenium import webdriver
from selenium.webdriver import ActionChains # 导入动作链模块
import time
from selenium.webdriver.common.by import By
driver = webdriver.Chrome()
driver.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable') # 以此网站为例
driver.implicitly_wait(10) # 使用隐式等待
driver.maximize_window()
try:
# 1 切换到iframeResult窗口中,再获取需要操作的两个标签
driver.switch_to.frame('iframeResult') ##切换到iframeResult
sourse=driver.find_element(By.ID,'draggable')
target=driver.find_element(By.ID,'droppable')
--------------------------------------------------------
# 2 执行动作链
# 方式一:基于同一个动作链串行执行
# 拿到动作链对象,并把动作放到动作链中,准备串行执行
(写法1)
actions=ActionChains(driver) # 拿到动作链对象
actions.drag_and_drop(sourse,target) # 把动作放到动作链中,准备串行执行
actions.perform()
(写法2)
actions=ActionChains(driver).click_and_hold(sourse)
actions.drag_and_drop_by_offset(target,10,20)
actions.perform()
------------------------
# 方式二:不同的动作链,每次移动的位移都不同
ActionChains(driver).click_and_hold(sourse).perform()
distance = target.location['x'] - sourse.location['x'] # 两个控件的x轴的距离
# 一次只移动2个单位
track=0
while track < distance:
ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform()
track+=2
# 也可一步到位
# ActionChains(driver).move_by_offset(xoffset=distance, yoffset=0).perform()
ActionChains(driver).release().perform()
--------------------------------------------------------
time.sleep(10)
finally:
driver.close()
# 总结:
(1)方式一:目标source移动到目标target的位置
-actions=ActionChains(driver) # 拿到动作链对象
-actions.drag_and_drop(sourse,target) # 把动作放到动作链中,准备串行执行
-actions=ActionChains(driver).click_and_hold(sourse)
-actions.drag_and_drop_by_offset(target,10,20) 原来的12306的点选,cnblgs选出所有红绿灯的验证码
(2)方式二:指定sourse移动的距离(xoffset)
-ActionChains(driver).click_and_hold(sourse).perform() # 按住
-ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform() # 移动
ActionChains(driver).release().perform() # 放下
# 12306 自动登录---》滑块显示不出来---》检测到咱们使用自动化测试软件控制了
案例:登录12306
import time
from selenium.webdriver.common.by import By
from selenium.webdriver import ActionChains
from selenium import webdriver
# 匹配chrome浏览器
option = webdriver.ChromeOptions()
option.binary_location=r'D:\我的下载\chrome'
# 1 打开浏览器,和超级鹰登录界面
bro = webdriver.Chrome()
bro.get('https://kyfw.12306.cn/otn/resources/login.html')
bro.maximize_window()
try:
# 2 输入账号密码
username = bro.find_element(By.ID,'J-userName')
password = bro.find_element(By.ID,'J-password')
username.send_keys('1098257879@qq.com')
password.send_keys('mtljq1098257879')
login_btn = bro.find_element(By.ID,'J-login')
# 3 点击登录,然后进入滑块验证码识别
login_btn.click()
time.sleep(3)
# 4 解决特征识别(12306会对浏览器特征进行识别,不允许自动化登录,使用以下两句话解决
script = 'Object.defineProperty(navigator, "webdriver", {get: () => false,});'
bro.execute_script(script)
# 5 使用动作链,然后开始滑动
huakuai = bro.find_element(By.XPATH,'//*[@id="nc_1_n1z"]')
ActionChains(bro).click_and_hold(huakuai).perform() # 按住
time.sleep(3)
n = 1
while n <= 6:
ActionChains(bro).move_by_offset(xoffset=50, yoffset=0).perform() # 移动
time.sleep(1)
n += 1
ActionChains(bro).release().perform() # 松开
time.sleep(10)
except Exception as e:
print(e)
finally:
bro.close()
七、 打码平台使用
# 验证码的破解
-简单的数字字母组合可以使用图像识别(python 现成模块),成功率不高
-使用第三方打码平台(破解验证码平台),花钱,把验证码图片给它,它给你识别完,返回给你
# 云打码,超级鹰
306334678
lqz123
"""超级鹰使用步骤"""
# 1 注册登录超级鹰账号
http://www.chaojiying.com/user/login/
# 2 下载python的超级鹰模块包
http://www.chaojiying.com/api-14.html
# 3 将chaojiying.py文件放到项目目录下
chaojiying.py
# 4 在需要的文件中进行导入并使用
from chaojiying import Chaojiying_Client
chaojiying = Chaojiying_Client(超级鹰账号, 超级鹰密码, 软件ID号)
im = open('small_code.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, 1902)) # 打印结果
chaoji_code = chaojiying.PostPic(im, 1902).get('pic_str') # 获取结果中产出的验证码
案例:使用超级鹰模块登录超级鹰
import time
from selenium.webdriver.common.by import By
from selenium import webdriver
from PIL import Image
# 匹配chrome浏览器
option = webdriver.ChromeOptions()
option.binary_location=r'D:\我的下载\chrome'
# 打开浏览器,和超级鹰登录界面
bro = webdriver.Chrome()
bro.get('http://www.chaojiying.com/user/login/')
bro.maximize_window()
##### 注意:如果截图不准需要手动调整分辨率,加上下面代码,对应电脑分辨率125%为例 #####
bro.execute_script('document.body.style.zoom="0.8"')
time.sleep(3)
try:
# 1 保存整个页面截图
bro.save_screenshot('code.png') # 2 使用Xpath获取到验证码的标签
img_s = bro.find_element(By.XPATH,'/html/body/div[3]/div/div[3]/div[1]/form/div/img')
# 3 获取标签的位置
location = img_s.location
# 4 获取标签的大小size
size = img_s.size
# 5 使用pillow抠出大图中的验证码小图
# 5.1 计算验证码的位置
img_tu = (int(location['x']), int(location['y']), int(location['x'] + size['width']), int(location['y'] + size['height']))
# 5.2 打开截图
img_b = Image.open('./code.png')
# 5.3 抠出小图
fram = img_b.crop(img_tu)
# 5.4 保存小图
fram.save('small_code.png')
# 6 使用超级鹰进行打码
from chaojiying import Chaojiying_Client
chaojiying = Chaojiying_Client('1831853664', 'st0916..', '937252')
im = open('small_code.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, 1902)) # 打印识别后的结果,字典形式,里面的pic_str对应的就是验证码的结果
except Exception as e:
print(e)
finally:
bro.close()
几个爬虫案例
# 1 爬红楼梦小说
#http://www.shicimingju.com/book/hongloumeng.html
import requests
from bs4 import BeautifulSoup
ret=requests.get('https://www.shicimingju.com/book/hongloumeng.html')
ret.encoding='utf-8'
soup=BeautifulSoup(ret.text,'lxml')
li_list=soup.find(class_='book-mulu').find('ul').find_all('li')
with open('hlm.txt','w',encoding='utf-8') as f:
for li in li_list:
content=li.find('a').text
url='https://www.shicimingju.com'+li.find('a').get('href')
f.write(content)
f.write('\n')
res_content=requests.get(url)
res_content.encoding = 'utf-8'
res_content.encoding=res_content.apparent_encoding
soup2=BeautifulSoup(res_content.text,'lxml')
content_detail=soup2.find(class_='chapter_content').text
f.write(content_detail)
f.write('\n')
print(content,'写入了')
# 2 爬肯德基门店
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword
import requests
header = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}
data = {
'cname': '',
'pid': 20,
'keyword': '浦东',
'pageIndex': 1,
'pageSize': 10
}
ret = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword', data=data, headers=header)
print(ret.json())