python爬虫学习笔记3
【1、selenium】
1、什么是selenium？
(1) Selenium是一个用于Web应用程序测试的工具
(2) Selenium测试直接运行在浏览器中，就像真正的用户在操作一样
(3) 支持通过各种driver(FirfoxDriver,IternetExplorerDriver,OperaDriver,ChromeDriver)驱动真实浏览器完成测试
(4) selenium也是支持无界面浏览器操作的。
2、为什么使用selenium?
模拟浏览器功能，自动执行网页中的js代码，实现动态加载
github中的selenium地址：https://liushilive.github.io/github_selenium_drivers/md/Selenium.html
3、如何安装selenium?
(1)操作谷歌浏览器驱动下载
http://chromedirver.storage.googleapis.com/index.html
https://liushilive.github.io/github_selenium_drivers/md/Chrome.html
(2)谷歌驱动和谷歌浏览器版本之间的映射表
http://blog.csdn.net/huilan_same/article/details/51896672
(3)查看谷歌浏览器版本
谷歌浏览器右上角 --> 帮助 --> 关于
(4)pip install selenium
4、selenium的使用步骤？
(1) 导入：from selenium import webdriver
(2) 创建谷歌浏览器的操作对象：
path = 谷歌浏览器驱动文件路径z
browser = webdriver.Chrome(path)
(3) 访问网站
url = 要访问的地址
browser.get(url)
4-1 selenium的元素定位？
元素定位：自动化要做的就是模拟鼠标和键盘来操作这些元素，点击、输入等等。操作这些元素前首先要找到它们，WebDriver提供很多定位元素的方法
方法：
1、find_element_by_id
eg:button = browser.find_element_by_id(‘su’)
2、find_elements_by_name
eg:name = browser.find_elements_by_name(‘wd’)
3、find_elements_by_xpath
eg: xpath1 = browser.find_elements_by_xpath(’//input[@id=“su”]’)
4、find_elements_by_tag_name
eg:names = browser.find_elements_by_tag_name(‘input’)
5、find_elements_by_css_selector
eg: my_list = browser.find_elements_by_css_selector(’#kw’)[0]
6、find_elements_by_link_text
eg:browser.find_element_by_link_text(“新闻”)
4-2 访问元素信息
获取元素属性
.get_attribute(‘class’)
获取元素文本
.text
获取标签名
.tag_name
4-3 交互
点击：click()
输入：send_keys()
后退操作：browser.back()
前进操作：browser.forword()
模拟JS滚动：
js = ‘document.documentElement.scrollTop=10000’
browser.execute_script(js) 执行js代码
获取网页代码：page_source
退出：browser.quit()
【2、Phantomjs】
1、什么是Phantomjs?
(1) 是一个无界面的浏览器
(2) 支持页面元素查找，js的执行等
(3) 由于不进行css和gui渲染，运行效果要比真实的浏览器要快很多
(4) Phantomjs下载地址：https://phantomjs.org/download.html
2、如何使用Phantomjs？
(1) 获取PhantomJS.exe文件路径path
(2) browser = webdriver.PhantomJS(path)
(3) browser.get(url)
扩展：保存屏幕快照：browser.save_screenshot(‘baidu.png’)
【3、Chrome handless】
Chrome-headless模式，Google针对Chrome浏览器59版新增的一种模式，可以让你不打卡UI界面的情况下使用Chrome浏览器，所以运行效果与Chrome保持完美一致。
1、配置要求
Chrome
Unix/Linux ： chrome>=59
windows:chrome>=60
Python3.6
Selenium3.4.*
ChromeDriver2.31
2、配置
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')
path = r'C:\Program Files (x86)\Google\Chrome\Application\chrome.exe'
chrome_options.binary_location = path
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.get('http://www.baidu.com/')
3、配置封装
from selenium import webdriver
# 这个是浏览器自带的， 不需要我们做任何额外的操作
from selenium.webdriver.chrome.options import Options
def share_browser():
# 初始化
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 浏览器的安装路径 打开文件位置
# 这个路径是你谷歌浏览器的路径
path = r'C:\Program Files (x86)\Google\Chrome\Application\chrome.exe'
chrome_options.binary_location = path
browser = webdriver.Chrome(chrome_options=chrome_options)
return browser
封装调用：
from handless import share_browser
browser = share_browser()
browser.get('http://www.baidu.com/')
browser.save_screenshot('handless.png')
（1）导入selenium
from selenium import webdriver
# (2)创建浏览器操作对象
path = ‘chromedriver.exe’
browser = webdriver.Chrome(path)
# （3）访问网站
# url = ‘https://www.baidu.com’
# browser.get(url)
url = ‘https://www.jd.com’
browser.get(url)
# page_source 获取网页源码
content = browser.page_source
print(content)
【selenium元素定位】
from selenium import webdriver
path = ‘chromedriver.exe’
browser = webdriver.Chrome(path)
url = ‘https://www.baidu.com’
browser.get(url)
元素定位
根据id来找到对象
button = browser.find_element_by_id(‘su’)
print(button)
根据标签属性的属性值来获取对象的
button = browser.find_element_by_name(‘wd’)
print(button)
根据xpath语句来获取对象
button = browser.find_element_by_xpath(’//input[@id=“su”]’)
print(button)
根据标签的名字来获取对象
button = browser.find_element_by_tag_name(‘input’)
print(button)
使用的bs4的语法来获取对象
button = browser.find_element_by_css_selector(’#su’)
print(button)
button = browser.find_element_by_link_text(‘新闻’)
print(button)
【元素信息及交互】
from selenium import webdriver
path = ‘chromedriver.exe’
browser = webdriver.Chrome(path)
url = ‘https://www.baidu.com’
browser.get(url)
input = browser.find_element_by_id(‘su’)
# 获取标签的属性
print(input.get_attribute(‘class’))
# 获取标签的名字
print(input.tag_name)
# 获取元素文本
print(input.text)
import urllib.request
from selenium import webdriver
创建浏览器对象
path = ‘chromedriver.exe’
browser = webdriver.Chrome(path)
url
url = ‘https://cn.bing.com/’
创建浏览器的操作对象
browser.get(url)
import time
time.sleep(2)
获取文本框的对象
input = browser.find_element_by_id(‘sb_form_q’)
在文本框中发送内容
input.send_keys(‘周杰伦’)
time.sleep(2)
获取搜索的按钮(注意确定该id的具体是哪个标签的id)
button = browser.find_element_by_id(‘search_icon’)
点击按钮
button.click()
time.sleep(2)
滑到底部
js_bottom = ‘document.documentElement.scrollTop=100000’
browser.execute_script(js_bottom)
time.sleep(2)
next_page = browser.find_element_by_xpath(’//a[@class="sb_pagN sb_pagN_bp b_widePag sb_bp "]’)
点击下一页
next_page.click()
time.sleep(5)
回到上一页
browser.back()
time.sleep(3)
回去 Goes one step forward in the browser history
browser.forward()
time.sleep(3)
退出
browser.quit()
print(input)
【phantomjs的基本操作】
selenium最新的版本中不包含Phontomjs了
需要使用 pip install selenium==2.48.0
from selenium import webdriver
from selenium.webdriver.chrome import options
from selenium.webdriver.chrome.options import Options
创建浏览器对象
path = ‘phantomjs.exe’
options = Options()
options.add_argument(’-headless’)
browser = webdriver.PhantomJS(path)
访问地址
url = ‘https://cn.bing.com/’
browser.get(url)
import time
time.sleep(2)
获取搜素框对象
input = browser.find_element_by_id(‘sb_form_q’)
向搜索框发送内容
input.send_keys(‘CSDN’)
time.sleep(3)
获取搜素按钮的对象
button = browser.find_element_by_id(‘search_icon’)
点击搜素按钮
button.click()
time.sleep(3)
将页面滑到最下面
js_bottom = ‘document.documentElement.scrollTop=100000’
browser.execute_script(js_bottom)
js_bottom = ‘document.documentElement.scrollTop=100000’
browser.execute_script(js_bottom)
time.sleep(3)
获取下一页的按钮
next_page = browser.find_element_by_xpath(’//a[@class="sb_pagN sb_pagN_bp b_widePag sb_bp "]’)
next_page.click()
time.sleep(3)
拍摄快照
browser.save_screenshot(‘cn_bing.png’)
【handless基本操作】
需要本地的Chrome的chrome.exe地址
C:\Program Files\Google\Chrome\Application
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
# 固定配置
chrome_options = Options()
chrome_options.add_argument(’–headless’)
chrome_options.add_argument(’–disable-gpu’)
# path是自己本地chrome浏览器的文件路径
path = r’C:\Program Files\Google\Chrome\Application\chrome.exe’
chrome_options.binary_location = path
browser = webdriver.Chrome(chrome_options = chrome_options)
url = ‘https://cn.bing.com’
browser.get(url)
# 对页面进行快照保存
browser.save_screenshot(‘bing.png’)
【封装handless】
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import random
import time
def share_browser(ip):
chrome_options = Options()
chrome_options.add_argument(’–headless’)
chrome_options.add_argument(’–disable-gpu’)
# 使用代理服务器
# print(ip): 此处是=等于号
print(ip)
chrome_options.add_argument(’–proxy-server=http://’+ ip)
# chrome_options.add_argument(’–proxy-server=http://14.20.235.32:45770’)
# 此处的r是什么意思呢？ 使用r就防止了\n的转义 放置转义
path = r'C:\Program Files\Google\Chrome\Application\chrome.exe'
browser = webdriver.Chrome(chrome_options = chrome_options)
return browser
if name == ‘main’:
proxies_pool = [
‘220.135.165.38:8080’,
‘183.195.106.118:8118’,
‘121.232.148.118:9000’,
‘117.41.38.19:9000’
]
proxy_ip = random.choice(proxies_pool)
browser = share_browser(proxy_ip)
# *******该地址会返回访问的ip地址**********
# url = 'http://httpbin.org/ip'
# browser.get(url)
# 用于测试代理是否起到作用
# print(browser.page_source)
# time.sleep(20)
url = 'http://httpbin.org/ip'
# url = 'https://ip.cn/'
browser.get(url)
print(browser.page_source)
# time.sleep(2)
# browser.save_screenshot('ip.png')
browser.quit()
print('执行完成')
【requests】
1、基本使用
1、文档
官网文档
http://cn.python-requests.org/zh_CN/latest/
快速上手
http://cn.python-requests.org/zh_CN/latest/user/quickstart.html
2、安装
pip install requests
3、response的属性以及类型
类型 ：models.Response
r.text : 获取网站源码
r.encoding ：访问或定制编码方式
r.url : 获取请求的url
r.content : 响应的字节类型
r.status_code : 响应的状态码
r.headers : 响应的头信息
import requests
url = ‘https://cn.bing.com/’
response = requests.get(url = url)