爬蟲之Selenium模塊

時間 2019-12-13

原文原文鏈接

1.Selenium模塊介紹

　　該模塊最初是一個自動化測試模塊，而在爬蟲中使用它是爲了解決requests沒法直接執行JavaScript代碼的問題php

　　本質是驅動瀏覽器，徹底模擬瀏覽器的操做，如跳轉、輸入、點擊、下拉等css

　　selenium支持的多種瀏覽器：html

from selenium import webdriver
browser=webdriver.Chrome()
browser=webdriver.Firefox()
browser=webdriver.PhantomJS()   # 一個無界面的瀏覽器
browser=webdriver.Safari()
browser=webdriver.Edge()

　　它的官方文檔連接：https://selenium-python.readthedocs.io/python

1.1 安裝

針對有界面的瀏覽器：jquery

安裝連接：http://npm.taobao.org/mirrors/chromedriver/linux

下載chromdriver.exe，把它放到python安裝路徑的scripts目錄中便可(本人windows)git

對於mac系統，將解壓後的chromedriver移動到/usr/local/bin目錄下github

而後再咱們的python中安裝pip包web

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple selenium

注意：selenium3默認支持的webdriver是Firfox，而Firefox須要安裝geckodriver 下載連接chrome

針對無界面的瀏覽器phantomjs：

#安裝：selenium+phantomjs
pip3 install selenium
下載phantomjs，解壓後把phantomjs.exe所在的bin目錄放到環境變量
下載連接：http://phantomjs.org/download.html

# 該無界面的瀏覽器已經再也不提供更新，可是Google 自發布 chrome 59 / 60 正式版開始便支持Headless mode

這意味着在無 GUI 環境下, PhantomJS 再也不是惟一選擇，咱們徹底能夠經過使用谷歌來達到相同的效果

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('window-size=1920x3000') #指定瀏覽器分辨率
chrome_options.add_argument('--disable-gpu') #谷歌文檔提到須要加上這個屬性來規避bug
chrome_options.add_argument('--hide-scrollbars') #隱藏滾動條, 應對一些特殊頁面
chrome_options.add_argument('blink-settings=imagesEnabled=false') #不加載圖片, 提高速度
chrome_options.add_argument('--headless') #瀏覽器不提供可視化頁面. linux下若是系統不支持可視化不加這條會啓動失敗
chrome_options.binary_location = r"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe" #手動指定使用的瀏覽器位置


driver=webdriver.Chrome(chrome_options=chrome_options)
driver.get('https://www.baidu.com')

print('hao123' in driver.page_source)


driver.close() #切記關閉瀏覽器，回收資源

2.使用

模擬訪問百度瀏覽器，並輸入onepiece搜索

指定一個加載後的資源做爲搜索結果

代碼

import time
from selenium import webdriver
from selenium.webdriver.common.by import By  # 按照什麼方式去查找
from selenium.webdriver.common.keys import Keys  # 鍵盤按鍵操做
from selenium.webdriver.support import expected_conditions as E
from selenium.webdriver.support.wait import WebDriverWait

browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com/')
    input_tag = browser.find_element_by_id('kw')  # 查找id=kw的標籤
    input_tag.send_keys('onepiece')  # 輸入關鍵字進行搜索
    input_tag.send_keys(Keys.ENTER)  # 回車按鈕
    wait = WebDriverWait(browser, 10)  # 等待資源加載
    wait.until(E.presence_of_element_located((By.ID, 'container')))  # 直到當中指定id加載出來
    time.sleep(3)
finally:
    browser.close()  # 關閉瀏覽器

2.1 選擇器

1.基本用法

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By  # 按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 鍵盤按鍵操做
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait  # 等待頁面加載某些元素
import time

driver = webdriver.Chrome()
driver.get('https://www.baidu.com')
wait = WebDriverWait(driver, 10)

try:
    # ===============全部方法===================
    # 一、find_element_by_id
    # 二、find_element_by_link_text
    # 三、find_element_by_partial_link_text
    # 四、find_element_by_tag_name
    # 五、find_element_by_class_name
    # 六、find_element_by_name
    # 七、find_element_by_css_selector
    # 八、find_element_by_xpath
    # 強調：
    # 一、上述都可以改寫成find_element(By.ID,'kw')的形式
    # 二、find_elements_by_xxx的形式是查找到多個元素，結果爲列表

    # ===============示範用法===================
    # 一、find_element_by_id
    print(driver.find_element_by_id('kw'))      # 搜索框id

    # 二、find_element_by_link_text
    # login=driver.find_element_by_link_text('登陸')  # 文本搜索
    # login.click()

    # 三、find_element_by_partial_link_text
    login = driver.find_elements_by_partial_link_text('錄')[0]
    # login.click()

    # 四、find_element_by_tag_name
    print(driver.find_element_by_tag_name('a'))     # 標籤名搜索

    # 五、find_element_by_class_name
    button = wait.until(EC.element_to_be_clickable((By.CLASS_NAME, 'tang-pass-footerBarULogin')))
    button.click()

    # 六、find_element_by_name
    input_user = wait.until(EC.presence_of_element_located((By.NAME, 'userName')))
    input_pwd = wait.until(EC.presence_of_element_located((By.NAME, 'password')))
    commit = wait.until(EC.element_to_be_clickable((By.ID, 'TANGRAM__PSP_10__submit')))

    input_user.send_keys('用戶名')
    input_pwd.send_keys('密碼')
    commit.click()  # 提交

    # 七、find_element_by_css_selector
    driver.find_element_by_css_selector('#kw')

    # 八、find_element_by_xpath

    time.sleep(5)

finally:
    driver.close()

2.2 標籤屬性獲取

from selenium import webdriver
from selenium.webdriver.common.by import By  # 按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait  # 等待頁面加載某些元素

browser = webdriver.Chrome()

browser.get('https://www.amazon.cn/')

wait = WebDriverWait(browser, 10)
wait.until(EC.presence_of_element_located((By.ID, 'cc-lm-tcgShowImgContainer')))

tag = browser.find_element(By.CSS_SELECTOR, '#cc-lm-tcgShowImgContainer img')

# 獲取標籤屬性，
print(tag.get_attribute('src'))
# https://images-cn.ssl-images-amazon.com
# /images/G/28/kindle/design/2018/Device/ys_180925_ATF1500x300_travel_dvc._CB484178544_.jpg


# 獲取標籤ID，位置，名稱，大小
print(tag.id)       # 0.5932406187872517-2
print(tag.location)     # {'x': 0, 'y': 0}
print(tag.tag_name)     # img
print(tag.size)     # {'height': 0, 'width': 0}

browser.close()

2.3 節點交互

　　經過控制節點，實現經過咱們的程序實現瀏覽器的交互

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')  # 打開淘寶
input = browser.find_element_by_id('q')  # 查詢id屬性爲q的標籤，也就是input搜索框！
input.send_keys('MAC')  # 輸入文字MAC
time.sleep(1)  # 等待1秒
input.clear()  # 清空文字
input.send_keys('IPhone')  # 輸入文字IPhone
# 查詢class屬性爲btn-search的標籤，它是一個button標籤
button = browser.find_element_by_class_name('btn-search')
button.click()  # 點擊搜索
browser.close()

2.4 動做鏈　————>滑動驗證碼破解

　　將某個節點(文本)從一處拖拽到另外一處

　　右邊的窗口是一個iframe框架，它擁有獨立的html標籤。所以使用selenium時，須要使用switch_to.frame切換到frame才行，不然找不到

from selenium import webdriver
from selenium.webdriver import ActionChains
import time

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)  # 訪問網頁
browser.switch_to.frame('iframeResult')  # 切換到frame,找到id爲iframeResult的元素
source = browser.find_element_by_css_selector('#draggable')  # 起始標籤
target = browser.find_element_by_css_selector('#droppable')  # 目的標籤
actions = ActionChains(browser)  # 建立動做鏈
# actions.drag_and_drop(source, target)
actions.click_and_hold(source)  # 點擊鼠標左鍵，按住不放
time.sleep(0.5)

# 模擬勻速運動
for i in range(5):
    # 移動座標,xOffset 爲橫座標，yOffset 爲縱座標
    # 調用perform()方法時，隊列中的時間會依次執行。它會執行鏈中的全部動做
    actions.move_by_offset(xoffset=17,yoffset=0).perform()
    time.sleep(0.5)

actions.release()  # 鬆開鼠標左鍵
browser.close()

樣式：

3. Javascript執行

　　使用execute_script()方法執行下拉進度條任務以及alert任務

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.jd.com/')
time.sleep(5)   # 這樣下拉下過才比較明顯
# window.scrollTo表示右側的滑動條,括號的參數表示從上面直接拉到最底下
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("123")')  # 彈出123

4.前進和後退

　　使用back()方法後退，使用forward()方法前進

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.get('http://www.qq.com/')

browser.back()  # Goes one step backward in the browser history.
time.sleep(1)
browser.forward()  # Goes one step forward in the browser history.
browser.close()  # Closes the current window.

5.操做cookies

　　使用selenium，咱們還能夠獲取，刪除，修改cookies

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
# 打印知乎設置的cookie
print(browser.get_cookies())
# 增長3個cookie
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
# 打印增長以後的全部cookie
print(browser.get_cookies())
# 清空此頁面的全部的cookie
browser.delete_all_cookies()
print(browser.get_cookies())  # []
browser.close()

6.虎嗅網滑動驗證碼操做

　　操做主要是利用了灰度差，程序截取了先後兩張圖片，從左上角到右下角進行循環，進行灰度比較(RGB差值)，從而找見缺口，並測出須要移動的距離。而後利用函數模擬人爲移動滑塊

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait  # 等待元素加載的
from selenium.webdriver.common.action_chains import ActionChains  # 拖拽
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from PIL import Image
import requests
import re
import random
from io import BytesIO
import time


def merge_image(image_file, location_list):
    """
     拼接圖片
    """
    im = Image.open(image_file)
    im.save('code.jpg')
    new_im = Image.new('RGB', (260, 116))
    # 把無序的圖片 切成52張小圖片
    im_list_upper = []
    im_list_down = []
    # print(location_list)
    for location in location_list:
        # print(location['y'])
        if location['y'] == -58:  # 上半邊
            im_list_upper.append(im.crop((abs(location['x']), 58, abs(location['x']) + 10, 116)))
        if location['y'] == 0:  # 下半邊
            im_list_down.append(im.crop((abs(location['x']), 0, abs(location['x']) + 10, 58)))

    x_offset = 0
    for im in im_list_upper:
        new_im.paste(im, (x_offset, 0))  # 把小圖片放到 新的空白圖片上
        x_offset += im.size[0]

    x_offset = 0
    for im in im_list_down:
        new_im.paste(im, (x_offset, 58))
        x_offset += im.size[0]
    # new_im.show()
    return new_im


def get_image(driver, div_path):
    '''
    下載無序的圖片  而後進行拼接 得到完整的圖片
    :param driver:
    :param div_path:
    :return:
    '''
    background_images = driver.find_elements_by_xpath(div_path)
    location_list = []
    for background_image in background_images:
        location = {}
        result = re.findall('background-image: url\("(.*?)"\); background-position: (.*?)px (.*?)px;',
                            background_image.get_attribute('style'))
        # print(result)
        location['x'] = int(result[0][1])
        location['y'] = int(result[0][2])

        image_url = result[0][0]
        location_list.append(location)
    image_url = image_url.replace('webp', 'jpg')
    # '替換url http://static.geetest.com/pictures/gt/579066de6/579066de6.webp'
    image_result = requests.get(image_url).content
    image_file = BytesIO(image_result)  # 是一張無序的圖片
    image = merge_image(image_file, location_list)

    return image


def get_track(distance):
    # 初速度
    v = 0
    # 單位時間爲0.2s來統計軌跡，軌跡即0.2內的位移
    t = 0.2
    # 位移/軌跡列表，列表內的一個元素表明0.2s的位移
    tracks = []
    tracks_back = []
    # 當前的位移
    current = 0
    # 到達mid值開始減速
    mid = distance * 7 / 8
    print("distance", distance)
    global random_int
    random_int = 8
    distance += random_int  # 先滑過一點，最後再反着滑動回來

    while current < distance:
        if current < mid:
            # 加速度越小，單位時間的位移越小,模擬的軌跡就越多越詳細
            a = random.randint(2, 5)  # 加速運動
        else:
            a = -random.randint(2, 5)  # 減速運動
        # 初速度
        v0 = v
        # 0.2秒時間內的位移
        s = v0 * t + 0.5 * a * (t ** 2)
        # 當前的位置
        current += s
        # 添加到軌跡列表
        if round(s) > 0:
            tracks.append(round(s))
        else:
            tracks_back.append(round(s))

        # 速度已經達到v,該速度做爲下次的初速度
        v = v0 + a * t

        print("tracks:", tracks)
        print("tracks_back:", tracks_back)
        print("current:", current)

    # 反着滑動到大概準確位置

    tracks_back.append(distance - current)
    tracks_back.extend([-2, -5, -8, ])

    return tracks, tracks_back


def get_distance(image1, image2):
    '''
       拿到滑動驗證碼須要移動的距離
      :param image1:沒有缺口的圖片對象
      :param image2:帶缺口的圖片對象
      :return:須要移動的距離
      '''
    # print('size', image1.size)

    threshold = 50
    for i in range(0, image1.size[0]):  # 260
        for j in range(0, image1.size[1]):  # 160
            pixel1 = image1.getpixel((i, j))
            pixel2 = image2.getpixel((i, j))
            res_R = abs(pixel1[0] - pixel2[0])  # 計算RGB差
            res_G = abs(pixel1[1] - pixel2[1])  # 計算RGB差
            res_B = abs(pixel1[2] - pixel2[2])  # 計算RGB差
            if res_R > threshold and res_G > threshold and res_B > threshold:
                return i  # 須要移動的距離


def main_check_code(driver, element):
    """
    拖動識別驗證碼
    :param driver:
    :param element:
    :return:
    """

    login_btn = driver.find_element_by_class_name('js-login')
    login_btn.click()

    element = WebDriverWait(driver, 30, 0.5).until(EC.element_to_be_clickable((By.CLASS_NAME, 'gt_guide_tip')))
    slide_btn = driver.find_element_by_class_name('gt_guide_tip')
    slide_btn.click()

    image1 = get_image(driver, '//div[@class="gt_cut_bg gt_show"]/div')
    image2 = get_image(driver, '//div[@class="gt_cut_fullbg gt_show"]/div')
    # 圖片上 缺口的位置的x座標

    # 2 對比兩張圖片的全部RBG像素點，獲得不同像素點的x值，即要移動的距離
    l = get_distance(image1, image2)
    print('l=', l)

    # 3 得到移動軌跡
    track_list = get_track(l)
    print('第一步,點擊滑動按鈕')
    element = WebDriverWait(driver, 30, 0.5).until(EC.element_to_be_clickable((By.CLASS_NAME, 'gt_slider_knob')))
    ActionChains(driver).click_and_hold(on_element=element).perform()  # 點擊鼠標左鍵，按住不放
    import time
    time.sleep(0.4)
    print('第二步,拖動元素')
    for track in track_list[0]:
        ActionChains(driver).move_by_offset(xoffset=track, yoffset=0).perform()  # 鼠標移動到距離當前位置（x,y）
    # time.sleep(0.4)
    for track in track_list[1]:
        ActionChains(driver).move_by_offset(xoffset=track, yoffset=0).perform()  # 鼠標移動到距離當前位置（x,y）
        time.sleep(0.1)
    import time
    time.sleep(0.6)
    # ActionChains(driver).move_by_offset(xoffset=2, yoffset=0).perform()  # 鼠標移動到距離當前位置（x,y）
    # ActionChains(driver).move_by_offset(xoffset=8, yoffset=0).perform()  # 鼠標移動到距離當前位置（x,y）
    # ActionChains(driver).move_by_offset(xoffset=2, yoffset=0).perform()  # 鼠標移動到距離當前位置（x,y）
    print('第三步,釋放鼠標')
    ActionChains(driver).release(on_element=element).perform()
    time.sleep(1)


def main_check_slider(driver):
    """
    檢查滑動按鈕是否加載
    :param driver:
    :return:
    """
    while True:
        try:
            driver.get('https://www.huxiu.com/')
            element = WebDriverWait(driver, 30, 0.5).until(EC.element_to_be_clickable((By.CLASS_NAME, 'js-login')))
            if element:
                return element
        except TimeoutException as e:
            print('超時錯誤，繼續')
            time.sleep(5)


if __name__ == '__main__':

    try:
        count = 3  # 最多識別3次
        driver = webdriver.Chrome()
        while count > 0:
            # 等待滑動按鈕加載完成
            element = main_check_slider(driver)
            main_check_code(driver, element)
            try:
                success_element = (By.CSS_SELECTOR, '.gt_success')
                # 獲得成功標誌
                success_images = WebDriverWait(driver, 3).until(EC.presence_of_element_located(success_element))
                if success_images:
                    print('成功識別！！！！！！')
                    count = 0
                    import sys

                    sys.exit()
            except Exception as e:
                print('識別錯誤，繼續')
                count -= 1
                time.sleep(1)
        else:
            print('too many attempt check code ')
            exit('退出程序')
    finally:
        driver.close()