引言

前抓的妹子图都是一直抓Html就可的,就是Chrome的浏览器F12的
Elements页面结构与Network抓包回去一样的结果。前面在抓取一些
网站(比如煎蛋,还有这种略带网站的上)就意识了,Network这里抓包
博的多寡没有,而Elements却有意况,原因就是是:页面的数量是
通过JavaScript来动态变化的:

图片 1

图片 2

逮捕匪顶数量怎么消除,一开首自己还想着自学一波JS基本语法,再夺学抓包
以到人家的JS文件,自己再失分析逻辑,然后捣鼓出真正的URL,后来依旧
放弃了,毕竟一旦抓捕的页面那么多,每个这样分析分析及啊时候…

图片 3

末端竟然发现发个自动化测试框架Selenium
可以扶持我们应针对斯题材。
简单易行说下者东西来啊用吧,我们得以编写代码让浏览器

  • 1.机关加载网页;
  • 2.模仿表单提交(比如效仿登录),获取需要的多寡;
  • 3.页面截屏;
  • 4.判断网页某些动作是不是来,等等。

然后是东西是免协理浏览器效率的,你待以及老三正的浏览器联合搭配使用,
襄助下述浏览器,需要将相应之浏览器驱动下充斥及Python的呼应路径下:

Chromehttps://sites.google.com/a/chromium.org/chromedriver/home
FireFoxhttps://github.com/mozilla/geckodriver/releases
PhantomJShttp://phantomjs.org/
IEhttp://selenium-release.storage.googleapis.com/index.html
Edgehttps://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
Operahttps://github.com/operasoftware/operachromiumdriver/releases

直白起头本节的内容吧~


1.安装Selenium

其一就是够呛简短了,直接通过pip命令行举办设置:

sudo pip install selenium

PS:想起前集团子弟伴问过我pip在win上怎么执行不了,又此外下了过多pip,
骨子里若你安装了Python3之口舌,已经默认带有pip了,你得其余配置下环境
变量,pip的路径在Python安装目录的Scripts目录下~

图片 4

Path前面长这路就是好~

图片 5


2.下蛋充斥浏览器驱动

盖Selenium是不带来浏览器的,所以用倚重第三正在的浏览器,要调用第三正
的浏览器的话,需要下载浏览器的叫,因为作者为此到是Chrome,这里虽以
Chrome为例子吧,其他浏览器的电动检索相关材料了!打开Chrome浏览器,键入:

chrome://version

足查看Chrome浏览器版本的相关消息,这里紧假使关注版本号就推行了:

图片 6

61,好之,接下来到下的是网站查阅相应之使版号:

https://chromedriver.storage.googleapis.com/2.34/notes.txt

图片 7

吓之,这就是生载v2.34本的浏览器驱动吧:

https://chromedriver.storage.googleapis.com/index.html?path=2.34/

图片 8

下载就后,把zip文件解压下,解压后底chromedriver.exe拷贝到Python
的Scripts目录下。(这里并非纠结win32,在64各之浏览器上啊是足以正常使用的!)

PS:Mac的言语将解压后底文书拷贝到usr/local/bin目录下
Ubuntu的言辞拷贝到:usr/bin目录下

连片下去大家描绘个大概的代码来测试下:

from selenium import webdriver

browser = webdriver.Chrome()  # 调用本地的Chrome浏览器
browser.get('http://www.baidu.com')  # 请求页面,会打开一个浏览器窗口
html_text = browser.page_source  # 获得页面代码
browser.quit()  # 关闭浏览器
print(html_text)

实施就段代码,会自行调起浏览器,并且访问百度:

图片 9

而决定台会输出HTML的代码,就是直拿走之Elements页面结构
JS执行完后的页面接下来我们就可以来抓我们的煎蛋妹子图啦


3.Selenium 简易实战:抓到手煎蛋妹子图

直接解析Elements页面结构,找到想只要之重中之重结点:

图片 10

显著这便是咱抓取的粗小妹图,复制下者URL,看下大家打印出的
页面结构有无爆发这事物:

图片 11

得,很棒,有之页面数据,接下去就是移动一波Beautiful Soup赢得到我们
相思假设的数量啦~

图片 12

经地点的过滤就可知将到我们的阿妹图片URL:

图片 13

顺手打开一个征下,啧啧:

图片 14

    

图片 15

看了生一样页才发30只小三姐,这显明是满意不了俺们的,我们以第一软加载
的当儿先将到一波页码,然后便知发生些许页了,然后自己还去拼接URL加载
差之页面,比如此处共又448页:

图片 16

东拼西凑成这么的URL即可:http://jandan.net/ooxx/page-448
过滤下用到页码:

图片 17

图片 18

连接下就是将代码补齐咯,循环抓到手诸一样页的小表嫂,然后下充斥到地面,
总体代码如下:

import os
from selenium import webdriver
from bs4 import BeautifulSoup
import urllib.request
import ssl
import urllib.error

base_url = 'http://jandan.net/ooxx'
pic_save_path = "output/Picture/JianDan/"


# 下载图片
def download_pic(url):
    correct_url = url
    if url.startswith('//'):
        correct_url = url[2:]
    if not url.startswith('http'):
        correct_url = 'http://' + correct_url
    print(correct_url)
    headers = {
        'Host': 'wx2.sinaimg.cn',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/61.0.3163.100 Safari/537.36 '
    }
    try:
        req = urllib.request.Request(correct_url, headers=headers)
        resp = urllib.request.urlopen(req)
        pic = resp.read()
        pic_name = correct_url.split("/")[-1]
        with open(pic_save_path + pic_name, "wb+") as f:
            f.write(pic)
    except (OSError, urllib.error.HTTPError, urllib.error.URLError, Exception) as reason:
        print(str(reason))


# 打开浏览器模拟请求
def browser_get():
    browser = webdriver.Chrome()
    browser.get('http://jandan.net/ooxx')
    html_text = browser.page_source
    page_count = get_page_count(html_text)
    # 循环拼接URL访问
    for page in range(page_count, 0, -1):
        page_url = base_url + '/page-' + str(page)
        print('解析:' + page_url)
        browser.get(page_url)
        html = browser.page_source
        get_meizi_url(html)
    browser.quit()


# 获取总页码
def get_page_count(html):
    soup = BeautifulSoup(html, 'html.parser')
    page_count = soup.find('span', attrs={'class': 'current-comment-page'})
    return int(page_count.get_text()[1:-1]) - 1


# 获取每个页面的小姐姐
def get_meizi_url(html):
    soup = BeautifulSoup(html, 'html.parser')
    ol = soup.find('ol', attrs={'class': 'commentlist'})
    href = ol.findAll('a', attrs={'class': 'view_img_link'})
    for a in href:
        download_pic(a['href'])


if __name__ == '__main__':
    ssl._create_default_https_context = ssl._create_unverified_context
    if not os.path.exists(pic_save_path):
        os.makedirs(pic_save_path)
    browser_get()

运转结果

图片 19

在押下大家输出文件夹~

图片 20

图片 21

学Python爬虫,日渐消瘦…


4.PhantomJS

PhantomJS并未界面的浏览器,特点:会将网站加载到内存并履行页面上的
JavaScript,因为匪谋面显图形界面,所以运行起来相比整的浏览器要快
(在局部Linux的主机及从未有过图形化界面,就无可以装Chrome那类浏览器了,
足由此PhantomJS来规避之题目)。

Win上安装PhantomJS

  • 1.官网下载http://phantomjs.org/download.html
    压缩包;
  • 2.解压:phantomjs-2.1.1-windows.zip 放到自己想放之岗位;
  • 3.布环境变量目录/bin 比如我的:
    图片 22

  • 4.打开cmd,键入:phantomjs –version 验证是否安排成功;
    图片 23

Ubuntu/MAC上安装PhantomJS

sudo apt-get install phantomjs

!!!有关PhantomJS的根本表达

于当年的一月份,Phantom.js的拥护者(Maintainer)发表脱离PhantomJS,
表示这多少个序列连串或无相会更开展保障了!!!Chrome和FireFox也开始
提供Headless模式(无需吊起浏览器),所以,猜度下PhantomJS的小伙伴
啊会日益迁移到立时有限单浏览器上。Windows Chrome需要60以上之本子才支撑
Headless格局,启用Headless模式呢相当简单:

图片 24

selenium官方文档也写了:

图片 25

运转的时段吗会晤报是警示:

图片 26


5.Selenium实战:模拟登录CSDN,并保存Cookie

CSDN登录网站https://passport.csdn.net/account/login

剖析下页面结构,不难找到相应的记名输入框,以及登录按钮:

图片 27

图片 28

俺们尽管进行的虽是于就点儿独结点输入账号密码,然后触发登录按钮,
再就是把库克ie保存及地面,前边就好带在Cookie去访问相关页面了~

先期编模拟登录的措施吧:

图片 29

找到输入账号密码的节点,设置下自己之账号密码,然后找到登录
按钮节点,click一下,然后坐等登录成功,登录成功后好于
current_url是否出了改。然后拿Cookies给保存下去,这里
自我用底凡pickle库,可以据此任何,比如json,或者字符串拼接,
然后保留到地点。如随便意外当是会得到库克(Cook)ie的,接着便选用
Cookie去看主页。

图片 30

通过add_cookies方法来安库克ie,参数是字典类型的,其余要先
访get一坏链接,再夺装cookie,不然会报无法设置cookie的不当!

关押下右手下角是否成为登录状态就得知晓是否拔取Cookie登录成功了:

图片 31


6.Selenium 常用函数

Seleninum作为自动化测试的工具,自然是提供了森自动化操作的函数,
脚罗列下个人认为比常用的函数,更多可见官方文档:
官方API文档http://seleniumhq.github.io/selenium/docs/api/py/api.html

1) 定位元素

  • find_element_by_class_name:根据class定位
  • find_element_by_css_selector:根据css定位
  • find_element_by_id:根据id定位
  • find_element_by_link_text:按照链接的文件来稳定
  • find_element_by_name:依据节点名稳定
  • find_element_by_partial_link_text:依照链接的文件来定位,只要包含在所有文件中即可
  • find_element_by_tag_name:通过tag定位
  • find_element_by_xpath:使用Xpath举办定位

PS:把element改呢elements会稳定有所符合条件的元素,再次回到一个List
比如:find_elements_by_class_name

2) 鼠标动作

偶然需要在页面上模拟鼠标操作,比如:单击,双击,右键,按停,拖拽等
好导入ActionChains类:selenium.webdriver.common.action_chains.ActionChains
使用ActionChains(driver).XXX调用对诺节点的行

  • click(element):单击某个节点;
  • click_and_hold(element):单击某个节点并依照停不松手;
  • context_click(element):右键单击某个节点;
  • double_click(element):双击某个节点;
  • drag_and_drop(source,target):按停有节点拖拽到此外一个节点;
  • drag_and_drop_by_offset(source, xoffset,
    yoffset)
    :按停节点按偏移拖拽
  • key_down:按下特殊键,只可以用(Control, Alt and
    Shift),比如Ctrl+C
    ActionChains(driver).key_down(Keys.CONTROL).send_keys(‘c’).key_up(Keys.CONTROL).perform();
  • key_up:释放特殊键;
  • move_by_offset(xoffset, yoffset):按偏移移动鼠标;
  • move_to_element(element):鼠标移动及某某节点的职位;
  • move_to_element_with_offset(element, xoffset,
    yoffset)
    :鼠标移到某个节点并偏移;
  • pause(second):暂停所有的输入多少秒;
  • perform():执行操作,可以装六只操作,调用perform()才会面履;
  • release():释放鼠标按钮
  • reset_actions:重置操作
  • send_keys(keys_to_send):模拟按键,比如输入框节点.send_keys(Keys.CONTROL,’a’)
    全选输入框内容,输入框节点.send_keys(Keys.CONTROL,’x’)剪切,模拟回退:
    节点.send_keys(keys.RETURN);或者直接装输入框内容:输入框节点.send_keys(‘xxx’);
  • *send_keys_to_element(element,keys_to_send)**:和send_keys类似;

3) 弹窗

针对应类:selenium.webdriver.common.alert.Alert,感觉当据此得不多…

即使你沾了某个时间,弹出了对话框,可以调用下述方法拿到对话框:
alert = driver.switch_to_alert(),然后可以调用下述方法:

  • accept():确定
  • dismiss():关闭对话框
  • send_keys():传入值
  • text():得到对话框文本

4)页面前进,后退,切换

切换窗口: driver.switch_to.window(“窗口名”)
要么经过window_handles来遍历
for handle in driver.window_handles:
      driver.switch_to_window(handle)
driver.forward() #前进
driver.back() # 后退


5) 页面截图

driver.save_screenshot(“截图.png”)


6) 页面等待

现今底网页越来越多采纳了 Ajax技术,这样程序即使不克确定什么时候有元素完全
加载出来了。假若实在页面等待时过长造成有dom元素还并未出去,但是你的
代码间接运用了这WebElement,那么即便会面抛出NullPointer的可怜。

为了避免这种元素定位困难而会增进暴发
ElementNotVisibleException的概率。
故 Selenium
提供了有限种植等待模式,一种是隐式等待,一种是显式等待

显式等待

显式等待指定某个条件,然后设置最长等时。假使在斯时还无
找到元素,那么就是会扔来好了。

from selenium import webdriver
from selenium.webdriver.common.by import By
# WebDriverWait 库,负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
# expected_conditions 类,负责条件出发
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.PhantomJS()
driver.get("http://www.xxxxx.com/loading")
try:
    # 每隔10秒查找页面元素 id="myDynamicElement",直到出现则返回
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "myDynamicElement"))
    )
finally:
    driver.quit()

设非写参数,程序默认会 0.5s 调用同几次来查看元素是否都变更,
使当元素即有的,那么会即时回。

下是局部措的守候条件,你得平素调用这个规则,而非用好
描绘一些等待条件了。

title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable – it is Displayed and Enabled.
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present

隐式等待

隐式等待相比简单,就是简地设置一个等待时,单位也秒。

from selenium import webdriver

driver = webdriver.PhantomJS()
driver.implicitly_wait(10) # seconds
driver.get("http://www.xxxxx.com/loading")
myDynamicElement = driver.find_element_by_id("myDynamicElement")

自然假如无设置,默认等待时为0。


7.执行JS语句

driver.execute_script(js语句)
准滚动到脚:
js = document.body.scrollTop=10000
driver.execute_script(js)


小结

本节执教了一波运Selenium自动化测试框架来办案取JavaScript动态变化数据,
Selenium用靠让第三正值的浏览器,要注意PhantomJS随便界面浏览器过时的
问题,可以使Chrome和FireFox(Fox)提供的HeadLess来替换;通过围捕到手煎蛋妹子
希冀以及模拟CSDN自动登录的例证来熟习Selenium的主导使用,依然收货良多的。
当然Selenium的道或者好要命的,当前我们能运用它来搪塞JS动态加载数据页面
数码的抓取就够用了。

任何而今气候突然冷,各位小伙伴记得及时添衣~

图片 32

顺道记录下自己的想到的事物:

  • 1.休是每个网站都是像CSDN一样不欲验证码就是可知登录的,验证码还分几代表,
    一般性的数字模糊下,滑条,而像简书掘金用这种人机检测的凡比新的,如今尚
    勿知晓怎么化解,有知之同伙告诉下呗~
  • 2.像掘金,简书等这种抓取小说,为了反爬虫,需要登录才会查全文…

本节源码下载

https://github.com/coder-pig/ReptileSomething


本节参考文献


相关文章

网站地图xml地图