python爬蟲入門 之 單線程 + 多任務異步協程

第五章 .單線程 + 多任務異步協程

5.1 進程和線程

• 本身寫一個服務端

  from flask import Flask
  import time
  ​
  app = Flask(__name__)
  ​
  @app.route('/one')
  def index_one():
      time.sleep(2)
      return  "hello one"
  ​
  @app.route('/two')
  def index_two():
      time.sleep(2)
      return  "hello two"
  ​
  @app.route('/three')
  def index_three():
      time.sleep(2)
      return  "hello three"
  ​
  if __name__ == '__main__':
      app.run(threaded=True)

• 同步代碼

  from multiprocessing.dummy import Pool
  import requests
  import time
  ​
  start = time.time()
  pool = Pool(3)
  ​
  urls = ["http://127.0.0.1:5000/one","http://127.0.0.1:5000/two","http://127.0.0.1:5000/three"]
  ​
  for url in urls:
      page_text = requests.get(url,).text
      print(page_text)
  print('總耗時:',time.time()-start)

• 異步代碼

  from multiprocessing.dummy import Pool
  import requests
  import time
  ​
  start = time.time()
  pool = Pool(3)
  ​
  urls = ["http://127.0.0.1:5000/one","http://127.0.0.1:5000/two","http://127.0.0.1:5000/three"]
  ​
  def get_request(url):
      return requests.get(url).text
  ​
  response_list = pool.map(get_request,urls)
  print(response_list)
  ​
  #解析
  def parse(page_text):
      print(len(page_text))
  ​
  pool.map(parse,response_list)
  print('總耗時:',time.time()-start)
  print('總耗時:',time.time()-start)

5.2 協程

• asyncio連接https://www.liaoxuefeng.com/wiki/1016959663602400/1017970488768640

• 是一個對象,能夠將協程當作一個特殊的函數,若是一個函數的定義被 anync 關鍵字所修飾,該特殊函數被調用後,函數內部的程序語句不會當即執行 ,而是返回一個協程對象

  from time import sleep
  ​
  async def get_request(url):
      print('正在請求:',url)
      sleep(2)
      print('請求結束')
  ​
  c = get_request("www.baidu.com")
  print(c)    # <coroutine object get_request at 0x000000000A184308>

5.3任務對象(task)

• 所謂的任務對象就是對攜程對象的進一步封裝,在任務對象中能夠實現顯示協程對象的運行情況,

• 特色

  • 任務對象最終是要被註冊到事件循環對象中的.

  • 回調函數是綁定給任務對象的,只有當任務對象對應的特殊函數被執行完畢後,回調函數纔會被執行

• await 掛起的操做,可理解爲交出cpu的使用權

• 事件循環對象

  • 無限循環的對象,也能夠把其當成是某一種容器,該容器中須要放入多個任務對象(就是一組待執行的代碼塊)

  • 異步的體現 :當事件循環開始後,該對象會按照順序執行每個任務對象,當一個任務對象發生阻塞時不會等待,而是直接執行下一個任務對象

  from time import sleep
  import asyncio
  ​
  #回調函數
  def callback(task):
      print("i am callback")
      print(task.result())    #result 返回的就是任務對象對應的哪一個特殊函數的返回值
  ​
  ​
  async def get_request(url):
      print('正在請求:',url)
      sleep(2)
      print('請求結束')
      return "hello world"
  ​
  #建立一個攜程對象
  c = get_request("www.baidu.com")
  #封裝一個任務對象
  task = asyncio.ensure_future(c)
  ​
  #給任務對象綁定回調函數
  task.add_done_callback(callback)
  ​
  #建立一個事件循環對象
  loop = asyncio.get_event_loop()
  #將任務對象註冊到事件循環中而且開啓了事件循環
  loop.run_until_complete(task)

5.4多任務異步協程

#注意事項:
1.將多個任務對象存儲到一個列表中,而後將該列表註冊到事件循環中,在註冊的過程當中,該列表須要被wait方法進行處理
2.在任務對象對應的特殊函數內部的實現中,不能夠出現不支持異步模塊的代碼,不然就會中斷整個的異步效果,而且在該函數的每一阻塞的操做都必須使用await關鍵字進行修飾
3.requests模塊對應的代碼不能夠出如今特殊函數內部,由於requests 不支持異步操做

import time
import asyncio
​
start = time.time()
urls = [
    "http://127.0.0.1:5000/one",
    "http://127.0.0.1:5000/one",
    "http://127.0.0.1:5000/two",
    "http://127.0.0.1:5000/three"
]
​
#待執行的代碼塊中不能夠出現不支持異步模塊的代碼
#在該函數內部若是有阻塞,阻塞操做必須使用await關鍵字修飾
async def get_request(url):
    print('正在請求:',url)
    # await不用不會報錯,但不會有異步效果
    await asyncio.sleep(2)
    print('請求結束')
    return "hello world"
​
#放置全部的任務對象
tasks = []
for url in urls:
    c = get_request(url)
    task = asyncio.ensure_future(c)
    tasks.append(task)
​
loop = asyncio.get_event_loop()
#wait不用會報錯
loop.run_until_complete(asyncio.wait(tasks))
print("所用時長:",time.time()-start)

5.4.1在爬蟲中使用 多任務異步協程

import time
import asyncio
import requests
start = time.time()
urls = [
    "http://127.0.0.1:5000/one",
    "http://127.0.0.1:5000/two",
    "http://127.0.0.1:5000/three"
]
​
​
# 沒法實現異步的效果,由於requests 不支持異步操做
async def req(url):
    page_text = await requests.get(url).text
    return page_text
​
​
#構建任務列表
tasks = []
for url in urls:
    #協程對象
    c = req(url)
    #任務對象
    task = asyncio.ensure_future(c)
    tasks.append(task)
​
#建立事件循環對象
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
print(time.time()-start)

如上圖,咱們會發現出現了一個錯誤,咱們嘗試瞭解決,發現:
#沒法實現異步的效果,由於requests 不支持異步操做
因此咱們引用了了aiohttp模塊

5.4.2 aiohttp模塊

• 一個支持異步操做的網絡請求的模塊

• 環境的安裝 pip install aiohttp

• 記憶步驟:

  第一步: 初步架構

  async def req(url):
   with aiohttp.ClientSession() as s:
    with s.get(url) as response:
     page_text = response.text() 
     return page_text

  第二步: 補充細節

  在每個 with 以前加上 async,在每一步阻塞前加上 await

  async def req(url):
      async with aiohttp.ClientSession() as s:
          async with await s.get(url) as response:
              page_text = await response.text()
              return page_text

  server端代碼

  from flask import Flask, render_template
  import time
  ​
  app = Flask(__name__)
  ​
  @app.route('/one')
  def index_one():
      time.sleep(2)
      return  render_template("text.html")
  ​
  @app.route('/two')
  def index_two():
      time.sleep(2)
      return  "hello two"
  ​
  @app.route('/three')
  def index_three():
      time.sleep(2)
      return  "hello three"
  ​
  if __name__ == '__main__':
      app.run(threaded=True)

  客戶端代碼

  import time
  import asyncio
  import aiohttp
  from lxml import etree
  ​
  start = time.time()
  urls = [
      "http://127.0.0.1:5000/one",
      "http://127.0.0.1:5000/two",
      "http://127.0.0.1:5000/three"
  ]
  ​
  ​
  # 沒法實現異步的效果,由於requests 不支持異步操做
  async def req(url):
      async with aiohttp.ClientSession() as s:
          async with await s.get(url) as response:
              # response.read() 返回 byte 類型的數據
              # response.text() 返回 字符串
              page_text = await response.text()
              return page_text
      # 細節的補充 : 在每個 with 以前加上 async,在每一步阻塞前加上 await
  ​
  ​
  def parse(task):
      page_text = task.result()
      tree = etree.HTML(page_text)
      name = tree.xpath("//p/text()")[0]
      print(name)
  ​
  #構建任務列表
  tasks = []
  for url in urls:
      #協程對象
      c = req(url)
      #任務對象
      task = asyncio.ensure_future(c)
  ​
      task.add_done_callback(parse)
      tasks.append(task)
  ​
  #建立事件循環對象
  loop = asyncio.get_event_loop()
  loop.run_until_complete(asyncio.wait(tasks))
  print(time.time()-start)

第六章 .圖片懶加載技術、selenium和PhantomJS

6.1圖片懶加載

• 案例分析：抓取站長素材http://sc.chinaz.com/中的圖片數據

  import requests
  from lxml import etree
  ​
  if __name__ == "__main__":
       url = 'http://sc.chinaz.com/tupian/gudianmeinvtupian.html'
       headers = {
           'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
       }
       #獲取頁面文本數據
       response = requests.get(url=url,headers=headers)
       response.encoding = 'utf-8'
       page_text = response.text
       #解析頁面數據（獲取頁面中的圖片連接）
       #建立etree對象
       tree = etree.HTML(page_text)
       div_list = tree.xpath('//div[@id="container"]/div')
       #解析獲取圖片地址和圖片的名稱
       for div in div_list:
           image_url = div.xpath('.//img/@src')
           image_name = div.xpath('.//img/@alt')
           print(image_url) #打印圖片連接
           print(image_name)#打印圖片名稱

• 運行結果觀察發現，咱們能夠獲取圖片的名稱，可是連接獲取的爲空，檢查後發現xpath表達式也沒有問題，究其緣由出在了哪裏呢？

  • 圖片懶加載概念：

    • 圖片懶加載是一種網頁優化技術。圖片做爲一種網絡資源，在被請求時也與普通靜態資源同樣，將佔用網絡資源，而一次性將整個頁面的全部圖片加載完，將大大增長頁面的首屏加載時間。爲了解決這種問題，經過先後端配合，使圖片僅在瀏覽器當前視窗內出現時才加載該圖片，達到減小首屏圖片請求數的技術就被稱爲「圖片懶加載」。

• 網站通常如何實現圖片懶加載技術呢？

  • 在網頁源碼中，在img標籤中首先會使用一個「僞屬性」（一般使用src2，original......）去存放真正的圖片連接而並不是是直接存放在src屬性中。當圖片出現到頁面的可視化區域中，會動態將僞屬性替換成src屬性，完成圖片的加載。

• 站長素材案例後續分析：經過細緻觀察頁面的結構後發現，網頁中圖片的連接是存儲在了src2這個僞屬性中

  import requests
  from lxml import etree
  ​
  if __name__ == "__main__":
       url = 'http://sc.chinaz.com/tupian/gudianmeinvtupian.html'
       headers = {
           'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
       }
       #獲取頁面文本數據
       response = requests.get(url=url,headers=headers)
       response.encoding = 'utf-8'
       page_text = response.text
       #解析頁面數據（獲取頁面中的圖片連接）
       #建立etree對象
       tree = etree.HTML(page_text)
       div_list = tree.xpath('//div[@id="container"]/div')
       #解析獲取圖片地址和圖片的名稱
       for div in div_list:
           image_url = div.xpath('.//img/@src2') #src2僞屬性
           image_name = div.xpath('.//img/@alt')
           print(image_url) #打印圖片連接
           print(image_name)#打印圖片名稱

6.2 selenium

• 概念: selenium最初是一個自動化測試工具,而爬蟲中使用它主要是爲了解決requests沒法直接執行JavaScript代碼的問題 selenium本質是經過驅動瀏覽器，徹底模擬瀏覽器的操做，好比跳轉、輸入、點擊、下拉等，來拿到網頁渲染以後的結果，可支持多種瀏覽器

• 環境的安裝 : pip install selenium

• selenium的演示程序

  from selenium import webdriver
  from time import sleep
  ​
  # 後面是你的瀏覽器驅動位置，記得前面加r'','r'是防止字符轉義的
  driver = webdriver.Chrome(r'E:\after homework\day105\chromedriver.exe')
  # 用get打開百度頁面
  driver.get("http://www.baidu.com")
  # 查找頁面的「設置」選項，並進行點擊
  driver.find_elements_by_link_text('設置')[0].click()
  sleep(2)
  # # 打開設置後找到「搜索設置」選項，設置爲每頁顯示50條
  driver.find_elements_by_link_text('搜索設置')[0].click()
  sleep(2)
  ​
  # 選中每頁顯示50條
  m = driver.find_element_by_id('nr')
  sleep(2)
  m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()
  m.find_element_by_xpath('.//option[3]').click()
  sleep(2)
  ​
  # 點擊保存設置
  driver.find_elements_by_class_name("prefpanelgo")[0].click()
  sleep(2)
  ​
  # 處理彈出的警告頁面   肯定accept() 和 取消dismiss()
  driver.switch_to_alert().accept()
  sleep(2)
  # 找到百度的輸入框，並輸入 美女
  driver.find_element_by_id('kw').send_keys('美女')
  sleep(2)
  # 點擊搜索按鈕
  driver.find_element_by_id('su').click()
  sleep(2)
  # 在打開的頁面中找到「Selenium - 開源中國社區」，並打開這個頁面
  driver.find_elements_by_link_text('美女_百度圖片')[0].click()
  sleep(3)
  ​
  # 關閉瀏覽器
  driver.quit()

• selenium和爬蟲之間的關聯?

  1.便捷的獲取頁面中動態加載的數據
   requests模塊進行數據爬取,所見非所得
      selenium所見便可得,但速度較慢
  2.實現模擬登錄

• 基本操做

  • 谷歌瀏覽器驅動程序下載地址: http://chromedriver.storage.googleapis.com/index.html

  • 驅動程序和谷歌版本的映射關係表:http://www.javashuo.com/article/p-wlhinbws-eo.html

    #步驟:
    1.實例化某一款瀏覽器對象(驅動程序的路徑)
    2.find系列的函數用於標籤訂位

• 瀏覽器建立

  • Selenium支持很是多的瀏覽器，如Chrome、Firefox、Edge等，還有Android、BlackBerry等手機端的瀏覽器。另外，也支持無界面瀏覽器PhantomJS。

    from selenium import webdriver
      
    browser = webdriver.Chrome()
    browser = webdriver.Firefox()
    browser = webdriver.Edge()
    browser = webdriver.PhantomJS()
    browser = webdriver.Safari()

• 元素定位

  • webdriver 提供了一系列的元素定位方法，經常使用的有如下幾種：

  find_element_by_id()
  find_element_by_name()
  find_element_by_class_name()
  find_element_by_tag_name()
  find_element_by_link_text()
  find_element_by_partial_link_text()
  find_element_by_xpath()
  find_element_by_css_selector()

• 節點交互

  • Selenium能夠驅動瀏覽器來執行一些操做，也就是說可讓瀏覽器模擬執行一些動做。比較常見的用法有：輸入文字時用send_keys()方法，清空文字時用clear()方法，點擊按鈕時用click()方法。示例以下：

    from selenium import webdriver
    import time
     
    browser = webdriver.Chrome()
    browser.get('https://www.taobao.com')
    input = browser.find_element_by_id('q')
    input.send_keys('MAC')
    time.sleep(1)
    input.clear()
    input.send_keys('IPhone')
    button = browser.find_element_by_class_name('btn-search')
    button.click()
    browser.quit()

• 爬取單頁數據

  from selenium import webdriver
  from time import sleep
  ​
  ​
  #實例化一個瀏覽器對象
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')  #executable_path 當前瀏覽器的驅動程序
  url = "https://www.jd.com/"
  #get 用於發起請求
  bro.get(url)
  #定位指定標籤
  search_input = bro.find_element_by_id("key")
  #對指定標籤進行數據交互
  search_input.send_keys("macPro")
  ​
  btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
  btn.click()
  ​
  sleep(2)
  #執行js代碼
  jsCode = 'window.scrollTo(0,document.body.scrollHeight)'
  bro.execute_script(jsCode)
  ​
  sleep(3)
  bro.quit()

• 爬取多頁數據

  from selenium import webdriver
  from time import sleep
  from lxml import etree
  ​
  ​
  page_text_list = []
  #實例化一個瀏覽器對象
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')  #executable_path 當前瀏覽器的驅動程序
  url = "http://125.35.6.84:81/xk/"
  #get 用於發起請求
  bro.get(url)
  ​
  sleep(2)
  #page_source就是當前瀏覽器打開頁面對應的源碼數據
  page_text = bro.page_source
  page_text_list.append(page_text)
  ​
  for i in  range(2):
      bro.find_element_by_id('pageIto_next').click()
      sleep(2)
      page_text = bro.page_source
      page_text_list.append(page_text)
  ​
  ​
  for page_text in page_text_list:
      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)
  ​
  sleep(4)
  bro.quit()

• 動做鏈 :一系列的行爲動做

  地址 https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable

  from selenium import webdriver
  from selenium.webdriver import ActionChains  #動做鏈
  from time import sleep
  ​
  ​
  page_text_list = []
  #實例化一個瀏覽器對象,executable_path 當前瀏覽器的驅動程序
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')
  url = "https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"
  ​
  bro.get(url)
  ​
  # 若是定位的標籤是存在於 iframe 對應的子頁面中,在定位標籤前必定要進行 switch_to 的操做
  bro.switch_to.frame('iframeResult')   # iframe標籤的id
  div_tag = bro.find_element_by_id("draggable")
  # 錯誤 :selenium.common.exceptions.NoSuchElementException: Message: no such element: Unable to locate element:
  ​
  #實例化動做鏈對象
  action = ActionChains(bro)
  #點擊且長按
  action.click_and_hold(div_tag)
  ​
  #模擬人移動算法(本身百度)
  ​
  #這裏提供一個簡單操做
  for i in range(5):
      # perform :讓動做鏈當即執行
      action.move_by_offset(17,0).perform()
      sleep(0.5)
  ​
  #釋放動做鏈
  action.release()
  sleep(3)
  bro.quit()

• 執行JavaScript

  • 對於某些操做，Selenium API並無提供。好比，下拉進度條，它能夠直接模擬運行JavaScript，此時使用execute_script()方法便可實現，代碼以下：

  from selenium import webdriver
   
  browser = webdriver.Chrome()
  browser.get('https://www.jd.com/')
  browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
  browser.execute_script('alert("123")')

• 獲取頁面源碼數據

  • 經過page_source屬性能夠獲取網頁的源代碼，接着就可使用解析庫（如正則表達式、Beautiful Soup、pyquery等）來提取信息了

• 前進和後退

  • 模擬瀏覽器的前進後退

  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.sina.com.cn/')
   
  browser.back()
  time.sleep(10)
  browser.forward()
  browser.close()

• Cookie處理

  • 使用Selenium，還能夠方便地對Cookies進行操做，例如獲取、添加、刪除Cookies等。示例以下：

    from selenium import webdriver
     
    browser = webdriver.Chrome()
    browser.get('https://www.zhihu.com/explore')
    print(browser.get_cookies())
    browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
    print(browser.get_cookies())
    browser.delete_all_cookies()
    print(browser.get_cookies())

• 異常處理

  from selenium import webdriver
  from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
  ​
  try:
      browser=webdriver.Chrome()
      browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
      browser.switch_to.frame('iframssseResult')
  ​
  except TimeoutException as e:
      print(e)
  except NoSuchFrameException as e:
      print(e)
  finally:
      browser.close()
  ​

6.3 phantomJS

• PhantomJS是一款無界面的瀏覽器，其自動化操做流程和上述操做谷歌瀏覽器是一致的。因爲是無界面的，爲了可以展現自動化操做流程，PhantomJS爲用戶提供了一個截屏的功能，使用save_screenshot函數實現。

• 無頭瀏覽器 :無可視化界面的瀏覽器

  • phantomJS

  谷歌無頭瀏覽器

  from selenium import webdriver
  from time import sleep
  ​
  ​
  from selenium.webdriver.chrome.options import Options
  ​
  # 建立一個參數對象，用來控制chrome以無界面模式打開
  chrome_options = Options()
  chrome_options.add_argument('--headless')
  chrome_options.add_argument('--disable-gpu')
  ​
  ​
  page_text_list = []
  #實例化一個瀏覽器對象,executable_path 當前瀏覽器的驅動程序
  bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe',chrome_options=chrome_options)
  bro.get('https://www.baidu.com')
  ​
  sleep(2)
  ​
  #截圖
  bro.save_screenshot("1.png")
  ​
  print(bro.page_source)
  sleep(2)
  bro.quit()

• selenium規避風險

  可判斷爲正經常使用戶的正常請求

  執行代碼時:

  from selenium import webdriver
  from selenium.webdriver import ChromeOptions
  option = ChromeOptions()
  option.add_experimental_option('excludeSwitches', ['enable-automation'])
  ​
  #實例化一個瀏覽器對象
  bro = webdriver.Chrome(executable_path=r'C:\Users\oldboy-python\Desktop\爬蟲+數據\day04\chromedriver.exe',options=option)
  bro.get('https://www.taobao.com/')

登陸qq空間，爬取數據

import requests
from selenium import webdriver
from lxml import etree
import time
​
driver = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver')
driver.get('https://qzone.qq.com/')
#在web 應用中常常會遇到frame 嵌套頁面的應用，使用WebDriver 每次只能在一個頁面上識別元素，對於frame 嵌套內的頁面上的元素，直接定位是定位是定位不到的。這個時候就須要經過switch_to_frame()方法將當前定位的主體切換了frame 裏。
driver.switch_to.frame('login_frame')
driver.find_element_by_id('switcher_plogin').click()
​
#driver.find_element_by_id('u').clear()
driver.find_element_by_id('u').send_keys('328410948')  #這裏填寫你的QQ號
#driver.find_element_by_id('p').clear()
driver.find_element_by_id('p').send_keys('xxxxxx')  #這裏填寫你的QQ密碼
    
driver.find_element_by_id('login_button').click()
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
page_text = driver.page_source
​
tree = etree.HTML(page_text)
#執行解析操做
li_list = tree.xpath('//ul[@id="feed_friend_list"]/li')
for li in li_list:
    text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()')
    text = ''.join(text_list)
    print(text+'\n\n\n')
    
driver.close()

爬取豆瓣網中的電影信息

from selenium import webdriver
from time import sleep
import time
​
if __name__ == '__main__':
    url = 'https://movie.douban.com/typerank?type_name=%E6%81%90%E6%80%96&type=20&interval_id=100:90&action='
    # 發起請求前，可讓url表示的頁面動態加載出更多的數據
    path = r'C:\Users\Administrator\Desktop\爬蟲授課\day05\ziliao\phantomjs-2.1.1-windows\bin\phantomjs.exe'
    # 建立無界面的瀏覽器對象
    bro = webdriver.PhantomJS(path)
    # 發起url請求
    bro.get(url)
    time.sleep(3)
    # 截圖
    bro.save_screenshot('1.png')
​
    # 執行js代碼（讓滾動條向下偏移n個像素（做用：動態加載了更多的電影信息））
    js = 'window.scrollTo(0,document.body.scrollHeight)'
    bro.execute_script(js)  # 該函數能夠執行一組字符串形式的js代碼
    time.sleep(2)
​
    bro.execute_script(js)  # 該函數能夠執行一組字符串形式的js代碼
    time.sleep(2)
    bro.save_screenshot('2.png') 
    time.sleep(2) 
    # 使用爬蟲程序爬去當前url中的內容 
    html_source = bro.page_source # 該屬性能夠獲取當前瀏覽器的當前頁的源碼（html） 
    with open('./source.html', 'w', encoding='utf-8') as fp: 
        fp.write(html_source) 
    bro.quit()

6.4 基於selenium實現12306模擬登錄

連接地址 :https://kyfw.12306.cn/otn/login/init

# ChaoJiYing.py
import requests
from hashlib import md5
​
class Chaojiying_Client(object):
​
    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
       }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
       }
​
    def PostPic(self, im, codetype):
        """
       im: 圖片字節
       codetype: 題目類型 參考 http://www.chaojiying.com/price.html
       """
        params = {
            'codetype': codetype,
       }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
        return r.json()
​
    def ReportError(self, im_id):
        """
       im_id:報錯題目的圖片ID
       """
        params = {
            'id': im_id,
       }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
        return r.json()

# 12306模擬登錄
​
from selenium import webdriver
from selenium.webdriver import ActionChains
#Image用做於圖片裁剪
from PIL import Image
from time import sleep
from ChaoJiYing import  Chaojiying_Client
​
​
#實例化一個瀏覽器對象,executable_path 當前瀏覽器的驅動程序
bro = webdriver.Chrome(executable_path=r'E:\after homework\day105\chromedriver.exe')
bro.get("https://kyfw.12306.cn/otn/login/init")
​
sleep(2)
#驗證碼圖片的捕獲
bro.save_screenshot("main.png")
#定位驗證碼圖片對應的標籤
code_img_ele = bro.find_element_by_xpath('//*[@id="loginForm"]/div/ul[2]/li[4]/div/div/div[3]/img')
#驗證碼圖片基於當前整張頁面左上角座標
location = code_img_ele.location
#驗證碼圖片的長和寬
size = code_img_ele.size
​
#裁剪的矩形區域(左下角和右上角兩點的座標)
rangle = (int(location['x']),int(location['y']),int(location['x']+size['width']),int(location['y']+size['height']))
​
​
i = Image.open('main.png')
frame = i.crop(rangle)
frame.save('code.png')
​
#使用打碼平臺進行驗證碼的識別
chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370') #用戶中心>>軟件ID 生成一個替換 96001
im = open('code.png', 'rb').read()             #本地圖片文件路徑 來替換 a.jpg 有時WIN系統需要//
result = chaojiying.PostPic(im, 9004)['pic_str']
print(result)  # x1,y1|x2,y2|x3,y3 ==> [[x1,y1],[x2,y2],[x3,y3]]
all_list = []#[[x1,y1],[x2,y2],[x3,y3]] 每個列表元素表示一個點的座標,座標對應值的0,0點是驗證碼圖片左下角
if '|' in result:
    list_1 = result.split('|')
    count_1 = len(list_1)
    for i in range(count_1):
        xy_list = []
        x = int(list_1[i].split(',')[0])
        y = int(list_1[i].split(',')[1])
        xy_list.append(x)
        xy_list.append(y)
        all_list.append(xy_list)
else:
    x = int(result.split(',')[0])
    y = int(result.split(',')[1])
    xy_list = []
    xy_list.append(x)
    xy_list.append(y)
    all_list.append(xy_list)
​
# action = ActionChains(bro)
for l in all_list:
    x = l[0]
    y = l[1]
    ActionChains(bro).move_to_element_with_offset(code_img_ele,x,y).click().perform()
    sleep(1)
​
sleep(3)
bro.quit()