selenium和phantomjs

爬虫和反爬虫之间的斗争

爬虫的建议

尽量减少请求次数

能抓取列表页就不抓详情页

保存获取到的HTML，供查错和重复使用

关注网站的所有类型的页面

H5页面

APP

多伪装

代理IP

不使用cookie

利用多线程分布式

在不被ban的请求下尽可能的提高速度

动态HTML技术了解

JS

是网络上最常用的脚本语言,它可以收集用户的跟踪数据,不需要重载页面直接提交表单,在页面嵌入多媒体文件,甚至运行网页

jQuery

jQuery是一个快速、简介的JavaScript框架,封装了JavaScript常用的功能代码

ajax

ajax可以使用网页实现异步更新,可以在不重新加载整个网页的情况下,对网页的某部分进行更新

获取ajax数据的方式

1.直接分析ajax调用的接口。然后通过代码请求这个接口。

2.使用Selenium+chromedriver模拟浏览器行为获取数据

Selenium+chromedriver获取动态数据

Selenium

selenium是一个web的自动化测试工具，最初是为网站自动化测试而开发的，selenium可以直接运行在浏览器上，它支持所有主流的浏览器，可以接收指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏

chromedriver是一个驱动Chrome浏览器的驱动程序，使用他才可以驱动浏览器。当然针对不同的浏览器有不同的driver。以下列出了不同浏览器及其对应的driver：

Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads

Firefox：https://github.com/mozilla/geckodriver/releases

Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/

Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

Phantomjs

Phantomjs是一个基于webkit的"无界面"浏览器，它会把网站加载到内存并执行页面上的JavaScript

下载chromedriver

百度搜索：淘宝镜像(https://npm.taobao.org/)

下载地址：https://www.cnblogs.com/JHblogs/p/7699951.html

'chromedriver' executable needs to be in PATH`报错解决：https://www.jianshu.com/p/a383e8970135

安装总结：https://www.jianshu.com/p/a383e8970135

安装Selenium和chromedriver：

安装Selenium：

pip install selenium

安装chromedriver：下载完成后，放到不需要权限的纯英文目录下就可以了。

Selenium和Phantomjs入门

#1.加载网页

from selenium import webdriverdriver=webdriver.PhantomJS("安装目录")

driver.get("https://www.baidu.com")

driver.save_screenshot("baidu.png")

# 2.定位和操作

driver.find_element_by_id("kw").send_keys("长城")

driver.find_element_by_id("su").click()

# 3.查看请求信息

driver.page_source

driver.get_cookies()

driver.current_url

# 4.退出

driver.quit()退出浏览器

Selenium案例

fromseleniumimportwebdriver

# 实例化浏览器

driver=webdriver.Chrome()

# 发送请求

driver.get('https://www.baidu.com')

# 退出浏览器

driver.quit()

定位元素

find_element_by_id：根据id来查找某个元素。

submitTag = driver.find_element_by_id('su')

submitTag1 = driver.find_element(By.ID,'su')

find_element_by_class_name：根据类名查找元素。

submitTag = driver.find_element_by_class_name('su')

submitTag1 = driver.find_element(By.CLASS_NAME,'su')

find_element_by_name：根据name属性的值来查找元素。

submitTag = driver.find_element_by_name('email')

submitTag1 = driver.find_element(By.NAME,'email')

find_element_by_tag_name：根据标签名来查找元素。

submitTag = driver.find_element_by_tag_name('div')

submitTag1 = driver.find_element(By.TAG_NAME,'div')

find_element_by_xpath：根据xpath语法来获取元素。

submitTag = driver.find_element_by_xpath('//div')

submitTag1 = driver.find_element(By.XPATH,'//div')

find_element_by_css_selector：根据css选择器选择元素。

submitTag = driver.find_element_by_css_selector('//div')

submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')

要注意，find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。

操作表单元素

操作输入框：分为两步。

第一步：找到这个元素。

第二步：使用send_keys(value)，将数据填充进去。

inputTag = driver.find_element_by_id('kw')

inputTag.send_keys('python')

使用clear方法可以清除输入框中的内容。

inputTag.clear()

操作checkbox：因为要选中checkbox标签，在网页中是通过鼠标点击的。因此想要选中checkbox标签，那么先选中这个标签，然后执行click事件。

rememberTag = driver.find_element_by_name("rememberMe")

rememberTag.click()

操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。

inputTag = driver.find_element_by_id('su')

inputTag.click()

选择select：select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中，创建这个对象。以后就可以使用这个对象进行选择了。https://www.17sucai.com/boards/53562.html

登录豆瓣练习

行为链

有时候在页面中的操作可能要有很多步，那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件。

actions=ActionChains(driver)

actions.move_to_element(inputTag)

actions.send_keys_to_element(inputTag,'python')

actions.move_to_element(submitTag)

actions.context_click()

actions.click(submitTag)

actions.perform()

还有更多的鼠标相关的操作

click_and_hold(element)：点击但不松开鼠标。

context_click(element)：右键点击。

double_click(element)：双击。

更多方法请参考：http://selenium-python.readthedocs.io/api.html

Cookie操作

获取所有的cookie

cookies=driver.get_cookies()

根据cookie的name获取cookie

value=driver.get_cookie(key)

删除某个cookie

driver.delete_cookie('key')

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。为了解决这个问题。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

隐式等待：调用driver.implicitly_wait。那么在获取不可用的元素之前，会先等待10秒中的时间。

driver.implicitly_wait(10)

显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。

from selenium import webdrive

from selenium.webdriver.common.by import By

from selenium.webdriver.support.ui import WebDriverWait

from selenium.webdriver.support import expected_conditions as EC

driver=webdriver.Chrome()

driver.get("https://www.baidu.com/")

try:

element=WebDriverWait(driver,10).until(

EC.presence_of_element_located((By.ID,"myDynamicElement"))

)

finally: