python爬虫实战之旅（ 第八章：selenium模块）

上接： 第七章：异步爬虫（协程法）
下接：12306模拟登录+验证码识别+滑块验证

1.selenium模块

1.1 selenium模块与爬虫之间的关系：

• 便捷的获取网站中动态加载的数据
• 便捷实现模拟登录

1.2 selenium模块定义：

• 是基于浏览器自动化的一个模块
  selenium使用流程：

1.3 准备工作

环境安装：

pip install selenium

下载一个浏览器的驱动程序：

• 谷歌浏览器驱动程序下载路径
• 注意下载版本与自己电脑上浏览器的版本要匹配，将下载好的exe程序文件复制到自己的python编译器的环境文件里。
  
  
  把下载好的驱动程序复制到自己当前的python环境下：
  

• 检测一下响应的selenium模块和驱动程序（以“自动打开百度网页搜索梨子”为例）

from selenium import  webdriver
#实例化一个浏览器对象
bro=webdriver.Chrome()
#让浏览器发起一个指定的url对应请求
bro.get('http://baidu.com')
#获取浏览器当前页面的源码数据

成功弹出页面：

2.编写基于浏览器自动化的操作代码

2.1 例一：自动爬取药监局首页信息

先去找相应标题所处的标签位置：

代码：

from selenium import  webdriver
from lxml import etree
from time import sleep
#实例化一个浏览器对象
bro=webdriver.Chrome()
#让浏览器发起一个指定的url对应请求
bro.get('http://scxk.nmpa.gov.cn:81/xk/')
#获取浏览器当前页面的源码数据
page_text=bro.page_source
#解析企业名称
tree = etree.HTML(page_text)
li_list=tree.xpath('//*[@id="gzlist"]/li')
for li in li_list:
    name = li.xpath('./dl/@title')[0]
    print(name)
    pass
#关闭浏览器
sleep(5)
bro.quit()

输出：

2.2 selenium其他操作

• 发起请求：get(url)
• 标签定位：find系列的方法
• 标签交互：send_keys('xxx')
• 执行js程序:excute_script('jsCode')
• 页面的前进后退：back(),forward()
• 关闭浏览器：quit()

以在淘宝网进行搜索Iphone为例：
①定位搜索框位置

②模拟点击“搜索”的过程

③模拟鼠标滑轮滑动的过程（它的本质是一段json代码）：

from selenium import  webdriver
from time import sleep

bro = webdriver.Chrome()
bro.get('https://www.taobao.com/')
#定位到搜索框+标签的交互
search_input=bro.find_element_by_id('q')
#标签的交互
search_input.send_keys('Iphone')
#执行一组js代码
bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(2)
#点击搜索按钮
btn=bro.find_element_by_css_selector('.btn-search')
btn.click()

bro.get('https://baidu.com')
sleep(2)
#回退页面
bro.back()
#前进页面
bro.forward()
sleep(5)
bro.quit()

3.selenium处理iframe

一张页面往往可以嵌套一张子页面，爬取子页面信息就可以通过iframe。

3.1 拖动标签的处理

实验网址

我们可以看到我们要拖动的小滑块是为位于一个子页面中的

如果定位的标签存在于iframe标签中，则必须使用switch_to.fram(id)

• 实例化一个动作链对象：action = AcitonChains(bro)
• click_and_hold(div):长按且点击操作
• move_by_offset(x,y)控制滑块在左右上下移动的幅度
• perform()让动作链立即执行
• action.release()释放动作链对象

from selenium import webdriver
from lxml import etree
from time import sleep
#导入动作链对应的类
from selenium.webdriver import ActionChains

bro = webdriver.Chrome()
bro.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')

#如果定位的标签是存在于iframe标签中的则必须通过如下操作进行标签定位
#因为默认定位是在外部大页面从而找不到
#进行作用域切换
bro.switch_to.frame('iframeResult')
div = bro.find_element_by_id('draggable')
#一些列的动作链触发ActionChains
action=ActionChains(bro)
#点击且长按指定的标签
action.click_and_hold(div)
for i in range(5):
    #move_by_offset(x,y)表示水平上下的移动
    #perform()表示立即执行动作链操作
    action.move_by_offset(17,0).perform()
    sleep(1)
    pass
#释放动作链
action.release()
print(div)

3.2 selenium的模拟登录qq空间

代码如下：

from selenium import webdriver
from time import sleep

bro = webdriver.Chrome()
bro.get('https://qzone.qq.com/')
bro.switch_to.frame('login_frame')
a_tag=bro.find_element_by_id("switcher_plogin")
a_tag.click()

user_name_tag=bro.find_element_by_id('u')
password_tag=bro.find_element_by_id('p')
sleep(1)
user_name_tag.send_keys('your accout')
sleep(1)
password_tag.send_keys('password')
sleep(1)
btn=bro.find_element_by_id('login_button')
btn.click()

sleep(3)
bro.quit()

4.无头浏览器+规避检测

4.1 无头浏览器（无可可视化界面）

上述一些自动页面往往会弹出来显示，当我们不想看到这些页面只需要它们在后台运行时（这种行为我们称为无头浏览器），就可以用到谷歌无头浏览器相关的知识点：

from time import sleep
from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
bro = webdriver.Chrome(options=chrome_options)
# 如果没有把chromedriver加入到PATH中,就需要指明路径 executable_path='/home/chromedriver'

bro.get("https://www.baidu.com")
print(bro.page_source)
sleep(2)
bro.quit()

同样的无头浏览器还有phantomls（但它已经不更新了，主要还是用谷歌无头浏览器）。
当然正是因为提供自动化操作的板块以selenium为主，所以很多门户网站随即选择检测请求是不是selenium发出的（比如用浏览器访问淘宝等网站的参数window.navigator.webdriver的值为undefined；而使用selenium访问则该值为true），如果是就果断屏蔽，从而为了反爬衍生出新的技术：规避检测识别

4.2 selenium规避检测识别

只需要设置Chromedriver的启动参数即可解决问题。在启动Chromedriver之前，为Chrome开启实验性功能参数excludeSwitches，它的值为[‘enable-automation’]，完整代码如下∶

from time import sleep
from selenium import webdriver
#实现无可视化界面
from selenium.webdriver.chrome.options import Options
#规避检测
from selenium.webdriver import  ChromeOptions

#实现无可视化界面的操作
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')

#实现规避检测
option = ChromeOptions()
option.add_experimental_option('excludeSwitches',['enable-automation'])
#如何实现让selenium规避被检测的风险
bro = webdriver.Chrome(options=option)

#无可视化界面（无头浏览器）
bro.get("https://www.baidu.com")
print(bro.page_source)
sleep(2)
bro.quit()