selenium+python配置chrome浏览器的选项

1. 背景

    在使用selenium浏览器渲染技术，爬取网站信息时，默认情况下就是一个普通的纯净的chrome浏览器，而我们平时在使用浏览器时，经常就添加一些插件，扩展，代理之类的应用。相对应的，当我们用chrome浏览器爬取网站时，可能需要对这个chrome做一些特殊的配置，以满足爬虫的行为。
    常用的行为有：
        禁止图片和视频的加载：提升网页加载速度。
        添加代理：用于访问某些页面，或者应对IP访问频率限制的反爬技术。
        使用移动头：访问移动端的站点，一般这种站点的反爬技术比较薄弱。
        添加扩展：像正常使用浏览器一样的功能。
        设置编码：应对中文站，防止乱码。
        阻止JavaScript执行。
        ………

2. 环境

    python 3.6.1
    系统：win7
    IDE：pycharm
    安装过chrome浏览器
    配置好chromedriver
    selenium 3.7.0

3. chromeOptions

    chromeOptions 是一个配置 chrome 启动是属性的类。通过这个类，我们可以为chrome配置如下参数（这个部分可以通过selenium源码看到）：
        设置 chrome 二进制文件位置 (binary_location)
        添加启动参数 (add_argument)
        添加扩展应用 (add_extension, add_encoded_extension)
        添加实验性质的设置参数 (add_experimental_option)
        设置调试器地址 (debugger_address)

    源代码：

# .\Lib\site-packages\selenium\webdriver\chrome\options.py
class Options(object):

 

   def __init__(self):
        # 设置 chrome 二进制文件位置
        self._binary_location = ''
        # 添加启动参数
        self._arguments = []
        # 添加扩展应用
        self._extension_files = []
        self._extensions = []
        # 添加实验性质的设置参数
        self._experimental_options = {}
        # 设置调试器地址
        self._debugger_address = None

    使用案例：

# 设置默认编码为 utf-8，也就是中文

from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_argument('lang=zh_CN.UTF-8')
driver = webdriver.Chrome(chrome_options = options)

4. 常用配置

    官方网站参考：https://sites.google.com/a/chromium.org/chromedriver/capabilities

4.1. 设置编码格式

# 设置默认编码为 utf-8，也就是中文

from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_argument('lang=zh_CN.UTF-8')
driver = webdriver.Chrome(chrome_options = options)

 

4.2. 模拟移动设备

    移动设备user-agent表格：http://www.fynas.com/ua
    因为移动版网站的反爬虫的能力比较弱# 通过设置user-agent，用来模拟移动设备

# 比如模拟 android QQ浏览器
options.add_argument('user-agent="MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1"')

# 模拟iPhone 6
options.add_argument('user-agent="Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1"')

4.3. 禁止图片加载

    不加载图片的情况下，可以提升爬取速度。

# 禁止图片的加载
from selenium import webdriver

chrome_options = webdriver.ChromeOptions()
prefs = {"profile.managed_default_content_settings.images": 2}
chrome_options.add_experimental_option("prefs", prefs)

# 启动浏览器，并设置好wait
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.set_window_size(configure.windowHeight, configure.windowWidth)   # 根据桌面分辨率来定，主要是为了抓到验证码的截屏
wait = WebDriverWait(browser, timeout = configure.timeoutMain)

4.4. 添加代理

    为selenium爬虫添加代理，这个地方尤其需要注意的是，在选择代理时，尽量选择静态IP，才能提升爬取的稳定性。因为如果选择selenium来做爬虫，说明网站的反爬能力比较高（要不然直接上scrapy了），对网页之间的连贯性，cookies，用户状态等有较高的监测。如果使用动态匿名IP，每个IP的存活时间是很短的（1~3分钟）。

from selenium import webdriver
# 静态IP：102.23.1.105：2005
# 阿布云动态IP：http://D37EPSERV96VT4W2:[email protected]:9020
PROXY = "proxy_host:proxy:port"
options = webdriver.ChromeOptions()
desired_capabilities = options.to_capabilities()
desired_capabilities['proxy'] = {
    "httpProxy": PROXY,
    "ftpProxy": PROXY,
    "sslProxy": PROXY,
    "noProxy": None,
    "proxyType": "MANUAL",
    "class": "org.openqa.selenium.Proxy",
    "autodetect": False
}
driver = webdriver.Chrome(desired_capabilities = desired_capabilities)

 

4.5. 浏览器选项设置

    selenium一般打开的是不带扩展的纯净的浏览器，但是有时候我们想对浏览器进行一些设置，比如 设置flash选项的默认值为全局始终允许，清除cookies，清除缓存 之类。
    想要实现这个目的，有一种思路，下面以chrome浏览器为例：
        在selenium爬虫启动时，首先开一个窗口，在地址栏键入：chrome://settings/content 或 chrome://settings/privacy，然后由程序，像操作普通网页一样，进行设置，保存。
        这里写图片描述

4.6. 添加浏览器扩展应用

    selenium一般打开的是不带扩展的纯净的浏览器，但是有时候我们爬取数据时需要借助一些插件，比如解析类xpath helper，翻译类，获取额外信息（销量）等。那我们怎么在启动chromedriver时，带上一些我们需要的插件呢？

    下面以在chrome中加载Xpath Helper插件为例：

4.6.1. 下载相应的插件

    Xpath Helper下载地址：http://download.csdn.net/download/gengliang123/9944202
    如下，是一个 以 crx 为后缀的文件：
    这里写图片描述

4.6.2. 将插件路径填入代码中

   

# 添加xpath helper应用

from selenium import webdriver
chrome_options = webdriver.ChromeOptions()

# 设置好应用扩展
extension_path = 'D:/extension/XPath-Helper_v2.0.2.crx'
chrome_options.add_extension(extension_path)

# 启动浏览器，并设置好wait
browser = webdriver.Chrome(chrome_options=chrome_options)

4.6.3. 结果展示

这里写图片描述
4.6.4. 注意事项

    第一，为了提高爬取速度，尽可能的少加载插件。
    第二，有一种方案会加载用户对chrome浏览器的所有配置信息，但是测试并无法使用，如下：
        参考文章：http://blog.csdn.net/y100100/article/details/44061469
        参考文章：https://www.cnblogs.com/stonewang313/p/3938488.html
        参考文章：http://blog.csdn.net/liaojianqiu0115/article/details/78353267
        首先进入C:\Users（用户）\你的电脑名称\AppData\Local\Google\Chrome\User Data\Default\Extensions，点开Extensions，里面的文件夹就是安装过的扩展，（记得先把电脑隐藏文件夹显示出来，否则找不到） 但是名字是一堆我看不懂的无序的英文字母，我的办法是一个一个点开找到对应的插件版本号，版本号在chrome Extensions选项里找然后打包你需要的插件：打开chrome的设置，在里面点开扩展程序，选中开发者模式，你安装的插件的下面会出现一个ID，这个ID对应的就是你要打包的插件，然后打包扩展程序，找到对应的文件夹（或者你也可以把这个文件夹复制到电脑任意地方）下面的版本号的文件夹，也就是ID名文件夹内部的那个文件夹，然后点击打包扩展程序，就可以了，会相应的在版本号的同一级地方出现后缀名是crx和pem的文件，这个crx的文件就是我们需要的（不过按照这种方式，在我的本地目录是找不到这样的crx文件，需要单独下载……）。准备工作完成，看代码：

# 第一种方式
# chrome浏览器的扩展程序都在：C:\Users\Administrator\AppData\Local\Google\Chrome\User Data\Profile 2\Extensions\下
chrome_options.add_argument("user-data-dir=C:/Users/Administrator/AppData/Local/Google/Chrome/User Data")

 

# 加载所有Chrome配置， 用Chrome地址栏输入chrome://version/，查看自己的“个人资料路径”，然后在浏览器启动时，调用这个配置文件，代码如下：
 

from selenium import webdriver
option = webdriver.ChromeOptions()
option.add_argument('--user-data-dir=C:\Users\Administrator\AppData\Local\Google\Chrome\User Data') #设置成用户自己的数据目录
driver = webdriver.Chrome(chrome_options=option)

 

# 出现错误结果
第一，所有浏览器窗口，包括自己打开的都会被控制住。
第二，其他动作不起作用，而且会crash。
 

Traceback (most recent call last):
  File "E:/PyCharmCode/taobaoProductSelenium/taobaoSelenium.py", line 40, in 
    # 启动浏览器，并设置好wait
  File "E:\Miniconda\lib\site-packages\selenium\webdriver\chrome\webdriver.py", line 69, in __init__
    desired_capabilities=desired_capabilities)
  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\webdriver.py", line 151, in __init__
    self.start_session(desired_capabilities, browser_profile)
  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\webdriver.py", line 240, in start_session
    response = self.execute(Command.NEW_SESSION, parameters)
  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\webdriver.py", line 308, in execute
    self.error_handler.check_response(response)
  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\errorhandler.py", line 194, in check_response
    raise exception_class(message, screen, stacktrace)
selenium.common.exceptions.WebDriverException: Message: unknown error: Chrome failed to start: crashed
  (Driver info: chromedriver=2.32.498550 (9dec58e66c31bcc53a9ce3c7226f0c1c5810906a),platform=Windows NT 6.1.7601 SP1 x86_64)

  

5. 其他参数

    参考文章：http://blog.csdn.net/liaojianqiu0115/article/details/78353267

5.1. chrome地址栏命令

    在Chrome的浏览器地址栏中输入以下命令，就会返回相应的结果。这些命令包括查看内存状态，浏览器状态，网络状态，DNS服务器状态，插件缓存等等。但是需要注意的是这些命令会不停的变动，所以不一定都是好用的。
    about:version - 显示当前版本
    about:memory - 显示本机浏览器内存使用状况
    about:plugins - 显示已安装插件
    about:histograms - 显示历史记录
    about:dns - 显示DNS状态
    about:cache - 显示缓存页面
    about:gpu -是否有硬件加速
    about:flags -开启一些插件 //使用后弹出这么些东西：“请小心，这些实验可能有风险”，不知会不会搞乱俺的配置啊！
    chrome://extensions/ - 查看已经安装的扩展
   

5.2. chrome实用参数

    其他的一些关于Chrome的实用参数及简要的中文说明，使用方法同上4.5.4，当然也可以在shell中使用。
   

–user-data-dir=”[PATH]” 指定用户文件夹User Data路径，可以把书签这样的用户数据保存在系统分区以外的分区。
    –disk-cache-dir=”[PATH]“ 指定缓存Cache路径
    –disk-cache-size= 指定Cache大小，单位Byte
    –first run 重置到初始状态，第一次运行
    –incognito 隐身模式启动
    –disable-javascript 禁用Javascript
    –omnibox-popup-count=”num” 将地址栏弹出的提示菜单数量改为num个。我都改为15个了。
    –user-agent=”xxxxxxxx” 修改HTTP请求头部的Agent字符串，可以通过about:version页面查看修改效果
    –disable-plugins 禁止加载所有插件，可以增加速度。可以通过about:plugins页面查看效果
    –disable-javascript 禁用JavaScript，如果觉得速度慢在加上这个
    –disable-java 禁用java
    –start-maximized 启动就最大化
    –no-sandbox 取消沙盒模式
    –single-process 单进程运行
    –process-per-tab 每个标签使用单独进程
    –process-per-site 每个站点使用单独进程
    –in-process-plugins 插件不启用单独进程
    –disable-popup-blocking 禁用弹出拦截
    –disable-plugins 禁用插件
    –disable-images 禁用图像
    –incognito 启动进入隐身模式
    –enable-udd-profiles 启用账户切换菜单
    –proxy-pac-url 使用pac代理 [via 1/2]
    –lang=zh-CN 设置语言为简体中文
    –disk-cache-dir 自定义缓存目录
    –disk-cache-size 自定义缓存最大值（单位byte）
    –media-cache-size 自定义多媒体缓存最大值（单位byte）
    –bookmark-menu 在工具 栏增加一个书签按钮
    –enable-sync 启用书签同步
    –single-process 单进程运行Google Chrome
    –start-maximized 启动Google Chrome就最大化
    –disable-java 禁止Java
    –no-sandbox 非沙盒模式运行

来源：CSDN
原文：https://blog.csdn.net/zwq912318834/article/details/78933910