[关闭]
@coder-pig 2018-08-23T11:44:33.000000Z 字数 9266 阅读 7599

小猪的Python学习之旅 —— 5.使用Selenium抓取JavaScript动态生成数据的网页

Python

引言

自从学习了爬虫之后，每天不写个小爬虫爬爬小姐姐，都觉得浑身难受：

小姐姐是挺好看的，只是身体日渐消瘦而已，多喝营养快线就好！

(快来学Python爬虫，一起爬可爱的小姐姐啊~)

抓多了发现有一些小网站很狡猾，竟然搞起反爬虫来了，不直接
生成数据，而是通过加载JS来生成数据，然后你打开Chrome浏览器的
开发者选项，然后你会发现Elements页面结构和Network抓包抓包
返回的内容竟然是不一样的，Network抓包那里竟然没有对应的数据，
本该是数据的地方，竟然是JS代码，比如煎蛋的妹子图：

对于我这种不会JS的安卓狗来说，不禁感叹：

抓不到数据怎么破，开始我还想着自学一波JS基本语法，再去模拟抓包
拿到别人的JS文件，自己再去分析逻辑，然后捣鼓出真正的URL，后来
还是放弃了，有些JS竟然他么的是加密的，而且要抓的页面那么多，
每个这样分析分析到什么时候...

后面意外发现有个自动化测试框架：Selenium 可以帮我们处理这个问题。
简单说下这个东西有什么用吧，我们可以编写代码让浏览器：

然后这个东西是不支持浏览器功能的，你需要和第三方的浏览器
一起搭配使用，支持下述浏览器，需要把对应的浏览器驱动下载
到Python的对应路径下：

Chrome：https://sites.google.com/a/chromium.org/chromedriver/home
FireFox：https://github.com/mozilla/geckodriver/releases
PhantomJS：http://phantomjs.org/
IE：http://selenium-release.storage.googleapis.com/index.html
Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
Opera：https://github.com/operasoftware/operachromiumdriver/releases

直接开始本节的内容吧~

1.安装Selenium

这个就很简单了，直接通过pip命令行进行安装：

  1. sudo pip install selenium

PS：想起之前公司小伙伴问过我pip在win上怎么执行不了，又另外下了很多pip，
其实如果你安装了Python3的话，已经默认带有pip了，你需要另外配置下环境
变量，pip的路径在Python安装目录的Scripts目录下~

Path后面加上这个路径就好~

2.下载浏览器驱动

因为Selenium是不带浏览器的，所以需要依赖第三方的浏览器，要调用第三方
的浏览器的话，需要下载浏览器的驱动，因为笔者用到是Chrome，这里就以
Chrome为例子吧，其他浏览器的自行搜索相关资料了！打开Chrome浏览器，键入：

  1. chrome://version

可以查看Chrome浏览器版本的相关信息，这里主要是关注版本号就行了：

61，好的，接下来到下面的这个网站查看对应的驱动版本号：

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

好的，那就下载v2.34版本的浏览器驱动吧：

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

下载完成后，把zip文件解压下，解压后的chromedriver.exe拷贝到Python
的Scripts目录下。(这里不用纠结win32，在64位的浏览器上也是可以正常使用的！)

PS：Mac的话把解压后的文件拷贝到usr/local/bin目录下
Ubuntu的话拷贝到：usr/bin目录下

接下来我们写个简单的代码来测试下：

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

执行这段代码，会自动调起浏览器，并且访问百度：

并且控制台会输出HTML的代码，就是直接获取的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 简单实战：抓取煎蛋妹子图

直接分析Elements页面结构，找到想要的关键结点：

明显这就是我们抓取的小姐姐图片，复制下这个URL，看下我们打印出的
页面结构有没有这个东西：

可以，很棒，有这个页面数据，接下来就走一波Beautiful Soup获取到我们
想要的数据啦~

经过上面的过滤就能够拿到我们的妹子图片URL：

随手打开一个验证下，啧啧：

    

看了下一页只有30个小姐姐，这显然是满足不了我们的，我们在第一次加载
的时候先拿到一波页码，然后就知道有多少页了，然后自己再去拼接URL加载
不同的页面，比如这里总共又448页：

拼接成这样的URL即可：http://jandan.net/ooxx/page-448
过滤下拿到页码：

接下来就把代码补齐咯，循环抓取每一页的小姐姐，然后下载到本地，
完整代码如下：

  1. import os
  2. from selenium import webdriver
  3. from bs4 import BeautifulSoup
  4. import urllib.request
  5. import ssl
  6. import urllib.error
  8. base_url = 'http://jandan.net/ooxx'
  9. pic_save_path = "output/Picture/JianDan/"
  12. # 下载图片
  13. def download_pic(url):
  14.     correct_url = url
  15.     if url.startswith('//'):
  16.         correct_url = url[2:]
  17.     if not url.startswith('http'):
  18.         correct_url = 'http://' + correct_url
  19.     print(correct_url)
  20.     headers = {
  21.         'Host': 'wx2.sinaimg.cn',
  22.         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
  23.                       'Chrome/61.0.3163.100 Safari/537.36 '
  24.     }
  25.     try:
  26.         req = urllib.request.Request(correct_url, headers=headers)
  27.         resp = urllib.request.urlopen(req)
  28.         pic = resp.read()
  29.         pic_name = correct_url.split("/")[-1]
  30.         with open(pic_save_path + pic_name, "wb+") as f:
  31.             f.write(pic)
  32.     except (OSError, urllib.error.HTTPError, urllib.error.URLError, Exception) as reason:
  33.         print(str(reason))
  36. # 打开浏览器模拟请求
  37. def browser_get():
  38.     browser = webdriver.Chrome()
  39.     browser.get('http://jandan.net/ooxx')
  40.     html_text = browser.page_source
  41.     page_count = get_page_count(html_text)
  42.     # 循环拼接URL访问
  43.     for page in range(page_count, 0, -1):
  44.         page_url = base_url + '/page-' + str(page)
  45.         print('解析：' + page_url)
  46.         browser.get(page_url)
  47.         html = browser.page_source
  48.         get_meizi_url(html)
  49.     browser.quit()
  52. # 获取总页码
  53. def get_page_count(html):
  54.     soup = BeautifulSoup(html, 'html.parser')
  55.     page_count = soup.find('span', attrs={'class': 'current-comment-page'})
  56.     return int(page_count.get_text()[1:-1]) - 1
  59. # 获取每个页面的小姐姐
  60. def get_meizi_url(html):
  61.     soup = BeautifulSoup(html, 'html.parser')
  62.     ol = soup.find('ol', attrs={'class': 'commentlist'})
  63.     href = ol.findAll('a', attrs={'class': 'view_img_link'})
  64.     for a in href:
  65.         download_pic(a['href'])
  68. if __name__ == '__main__':
  69.     ssl._create_default_https_context = ssl._create_unverified_context
  70.     if not os.path.exists(pic_save_path):
  71.         os.makedirs(pic_save_path)
  72.     browser_get()

运行结果：

看下我们输出文件夹~

是的，贴那么多小姐姐，就是想骗你学Python!

4.PhantomJS

PhantomJS没有界面的浏览器，特点：会把网站加载到内存并执行页面上的
JavaScript，因为不会展示图形界面，所以运行起来比完整的浏览器要高效。
(在一些Linux的主机上没有图形化界面，就不能用有界面的浏览器了，
可以通过PhantomJS来规避这个问题)。

Win上安装PhantomJS：

Ubuntu/MAC上安装PhantomJS：

  1. sudo apt-get install phantomjs

！！！关于PhantomJS的重要说明：

在今年的四月份，Phantom.js的维护者（Maintainer）宣布退出PhantomJS，
意味着这个项目项目可能不会再进行维护了！！！Chrome和FireFox也开始
提供Headless模式(无需吊起浏览器)，所以，估计使用PhantomJS的小伙伴
也会慢慢迁移到这两个浏览器上。Windows Chrome需要60以上的版本才支持
Headless模式，启用Headless模式也非常简单：

selenium官方文档也写了：

运行的时候也会报这个警告：

5.Selenium实战：模拟登录CSDN，并保存Cookie

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

分析下页面结构，不难找到对应的登录输入框，以及登录按钮：

我们要做的就是在这两个结点输入账号密码，然后触发登录按钮，
同时把Cookie保存到本地，后面就可以带着Cookie去访问相关页面了~

先编写模拟登录的方法吧：

找到输入账号密码的节点，设置下自己的账号密码，然后找到登录
按钮节点，click一下，然后坐等登录成功，登录成功后可以比较
current_url是否发生了改变。然后把Cookies给保存下来，这里
我用的是pickle库，可以用其他，比如json，或者字符串拼接，
然后保存到本地。如无意外应该是能拿到Cookie的，接着就利用
Cookie去访问主页。

通过add_cookies方法来设置Cookie，参数是字典类型的，另外要先
访问get一次链接，再去设置cookie，不然会报无法设置cookie的错误！

看下右下角是否变为登录状态就可以知道是否使用Cookie登录成功了：

6.Selenium 常用函数

Seleninum作为自动化测试的工具，自然是提供了很多自动化操作的函数，
下面列举下个人觉得比较常用的函数，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：根据链接的文本来定位
  • find_element_by_name：根据节点名定位
  • find_element_by_partial_link_text：根据链接的文本来定位，只要包含在整个文本中即可
  • find_element_by_tag_name：通过tag定位
  • find_element_by_xpath：使用Xpath进行定位

PS：把element改为elements会定位所有符合条件的元素，返回一个List
比如：find_elements_by_class_name

2) 鼠标动作

有时需要在页面上模拟鼠标操作，比如：单击，双击，右键，按住，拖拽等
可以导入ActionChains类：selenium.webdriver.common.action_chains.ActionChains
使用ActionChains(driver).XXX调用对应节点的行为

  • click(element)：单击某个节点；
  • click_and_hold(element)：单击某个节点并按住不放；
  • 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)：按住某个节点拖拽到另一个节点；
  • drag_and_drop_by_offset(source, xoffset, yoffset)：按住节点按偏移拖拽
  • key_down：按下特殊键，只能用(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)：鼠标移动到某个节点的位置；
  • 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，可以设置多个操作，调用perform()才会执行；
  • 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)；或者直接设置输入框内容：输入框节点.send_keys('xxx')；
  • send_keys_to_element(element, *keys_to_send)：和send_keys类似；

3) 弹窗

对应类：selenium.webdriver.common.alert.Alert，感觉应该用得不多...

如果你触发了某个时间，弹出了对话框，可以调用下述方法获得对话框：
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()：获得对话框文本

4)页面前进，后退，切换

切换窗口: driver.switch_to.window("窗口名")
或者通过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

现在的网页越来越多采用了 Ajax技术，这样程序便不能确定何时某个元素完全
加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的
代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。

为了避免这种元素定位困难而且会提高产生 ElementNotVisibleException的概率。
所以 Selenium 提供了两种等待方式，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，然后设置最长等待时间。如果在这个时间还没有
找到元素，那么便会抛出异常了。

  1. from selenium import webdriver
  2. from selenium.webdriver.common.by import By
  3. # WebDriverWait 库，负责循环等待
  4. from selenium.webdriver.support.ui import WebDriverWait
  5. # expected_conditions 类，负责条件出发
  6. from selenium.webdriver.support import expected_conditions as EC
  8. driver = webdriver.PhantomJS()
  9. driver.get("http://www.xxxxx.com/loading")
  10. try:
  11.     # 每隔10秒查找页面元素 id="myDynamicElement"，直到出现则返回
  12.     element = WebDriverWait(driver, 10).until(
  13.         EC.presence_of_element_located((By.ID, "myDynamicElement"))
  14.     )
  15. finally:
  16.     driver.quit()

如果不写参数，程序默认会 0.5s 调用一次来查看元素是否已经生成，
如果本来元素就是存在的，那么会立即返回。

下面是一些内置的等待条件，你可以直接调用这些条件，而不用自己
写某些等待条件了。

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：

隐式等待比较简单，就是简单地设置一个等待时间，单位为秒。

  1. from selenium import webdriver
  3. driver = webdriver.PhantomJS()
  4. driver.implicitly_wait(10) # seconds
  5. driver.get("http://www.xxxxx.com/loading")
  6. myDynamicElement = driver.find_element_by_id("myDynamicElement")

当然如果不设置，默认等待时间为0。

7.执行JS语句

driver.execute_script(js语句)
比如滚动到底部：
js = document.body.scrollTop=10000
driver.execute_script(js)

小结

本节讲解了一波使用Selenium自动化测试框架来抓取JavaScript动态生成数据，
Selenium需依赖于第三方的浏览器，要注意PhantomJS无界面浏览器过时的
问题，可以使用Chrome和FireFox提供的HeadLess来替换；通过抓取煎蛋妹子
图以及模拟CSDN自动登录的例子来熟悉Selenium的基本使用，还是收货良多的。
当然Selenium的水还是很深的，当前我们能够使用它来应付JS动态加载数据页面
数据的抓取就够了。

最近天气略冷，各位小伙伴记得适时添衣~
另外这周因为事比较多，就先断更了，下周再见，接下里要啃的骨头是
Python多线程，目测得啃好几节，敬请期待~

顺道记录下自己的想到的东西：

  • 1.不是每个网站都是像CSDN一样不需要验证码就能够登录的，
    验证码还分几代，普通的数字模糊下，滑条，而像简书掘金用
    那种人机检测的是比较新的，目前还不知道怎么解决，有知道
    的小伙伴告诉下呗～
  • 2.像掘金，简书等那种抓取文章，为了反爬虫，需要登录才能查看全文...

本节源码下载：

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

本节参考文献：

来啊，Py交易啊

想加群一起学习Py的可以加下，智障机器人小Pig，验证信息里包含：
Python，python，py，Py，加群，交易，屁眼 中的一个关键词即可通过；

验证通过后回复 加群 即可获得加群链接(不要把机器人玩坏了！！！)～～～
欢迎各种像我一样的Py初学者，Py大神加入，一起愉快地交流学♂习，van♂转py。

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注