03 爬虫之selenium模块

selenium模块

1.概念,了解selenium

　　什么是selenium？selenium是Python的一个第三方库，对外提供的接口可以操作浏览器，然后让浏览器完成自动化的操作。　
　　selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题 selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器

2.下载安装selenium

2.1下载驱动

http://npm.taobao.org/mirrors/chromedriver/2.35/　　

if mac系统：

然后将解压后的chromedriver移动到/usr/local/bin目录下

if window系统：

下载chromdriver.exe放到python安装路径的scripts目录中即可，注意最新版本是2.38，并非2.9

2.2 安装pip包

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

3.selenium的基本使用

3.1简单实用示例:

 ################################## 1 简单使用 # ##################################
 用get打开百度页面
 driver = webdriver.Chrome()
 driver.get("http://www.baidu.com")
 input=driver.find_element_by_id("kw")
 input.send_keys("美女")
 sleep(2)

 法一:
 input.send_keys(Keys.ENTER)   #按回车确定

 法二:模拟点击
 search=driver.find_element_by_id("su")
 search.click()
 sleep(5)
 driver.close()

3.2 元素定位

################################## 2 元素定位方法 # ##################################
search.find_element_by_class_name()
search.find_element_by_name()
search.find_element_by_link_text()
search.find_element_by_partial_link_text()
search.find_element_by_css_selector(".c1 p")
search.find_element_by_xpath("//*[@id=i1]/a")

#结果是一个列表
search.find_elements_by_class_name()

3.3节点信息的查看

 #################  节点信息
 print(content_left.tag_name) # div
 print(content_left.get_attribute("id"))
 print(content_left.size) # {'height': 1453, 'width': 661}
 print(content_left.location) # {'x': 0, 'y': 133}
 driver.close()

3.4 节点交互

######################################## 3节点交互 ###########################
driver = webdriver.Chrome()
driver.get("https://www.jd.com/")

# 节点定位:搜索框标签
input=driver.find_element_by_id("key")
input.send_keys("MAC")   #向标签内输入内容
sleep(2)
input.clear()   #清空标签内容
input.send_keys("书")
sleep(1)
input.send_keys(Keys.ENTER)  #模仿回车键
sleep(10)
driver.close()

3.5 动作链

################################ 4 动作链 #####################################

from selenium.webdriver import ActionChains
Driver = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
Driver.get(url)
Driver.switch_to.frame('iframeResult')   ##因为该页面中有两个HTML文件,需要选择其中一个
source = Driver.find_element_by_css_selector('#draggable')
target = Driver.find_element_by_css_selector('#droppable')
actions = ActionChains(Driver)
# actions.drag_and_drop(source, target)
actions.click_and_hold(source).perform()
sleep(2)
actions.move_to_element(target).perform()
sleep(2)
actions.move_by_offset(xoffset=50,yoffset=0).perform()

actions.release()
Driver.close()

3.6 JS代码的使用(重点很重要)

 ################################### 5 执行JavaScript ##########################

 from selenium import webdriver
 #
 browser = webdriver.Chrome()
 browser.get('https://www.jd.com/')
 browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')  #模仿鼠标将下拉条拉到底部
 browser.execute_script('alert("123")')

3.7 Cookie

 #####################################  cookie ##############################
 from selenium import webdriver
 #
 browser = webdriver.Chrome()
 browser.get('https://www.zhihu.com/explore')
 print(browser.get_cookies()) #获取Cookie
 browser.add_cookie({'name': 'alex', 'domain': 'www.zhihu.com', 'value': ''})  #增加写入COOKIE
 print(browser.get_cookies())
 browser.delete_all_cookies()  #清除所有Cookie
 print(browser.get_cookies())

3.8 隐式等待和显式等待

 ################  隐式等待:在查找所有元素时，如果尚未被加载，则等10秒
 # driver.implicitly_wait(10)

 ###############   显示等待
 # from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 # from selenium.webdriver.support import expected_conditions as EC
 # from selenium.webdriver.support.wait import WebDriverWait
 #显式等待：显式地等待某个元素被加载
 # wait=WebDriverWait(driver,10)
 # wait.until(EC.presence_of_element_located((By.ID,'content_left')))
 #
 # content_left=driver.find_element_by_id("content_left")

phantomJs

　　PhantomJS是一款无界面的浏览器，其自动化操作流程和上述操作谷歌浏览器是一致的。由于是无界面的，为了能够展示自动化操作流程，PhantomJS为用户提供了一个截屏的功能，使用save_screenshot函数实现。

简单用法示例:

from selenium import webdriver
import time

# # phantomjs路径
path = r'C:\Users\Administrator\AppData\Local\Postman\app-6.7.3\Postman.exe'
browser = webdriver.PhantomJS(path)

# # 打开百度
url = 'http://www.baidu.com/'
browser.get(url)

time.sleep(1)

browser.save_screenshot(r'baidu.png')

# 查找input输入框
my_input = browser.find_element_by_id('kw')

# 往框里面写文字
my_input.send_keys('美女')
time.sleep(3)

#截屏
browser.save_screenshot(r'meinv.png')

# 查找搜索按钮
button = browser.find_elements_by_class_name('s_btn')[0]
button.click()
time.sleep(1)
browser.save_screenshot(r'show.png')
time.sleep(1)
browser.quit()

################################################ 案例 ##########################################################

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='
    # 发起请求前，可以让url表示的页面动态加载出更多的数据
    path = r'C:\Users\Administrator\AppData\Local\Postman\app-6.7.3\Postman.exe'
    # 创建无界面的浏览器对象
    bro = webdriver.PhantomJS(path)
    # 发起url请求
    bro.get(url)
    time.sleep(2)
    # 截图
    bro.save_screenshot('1.png')

    # 执行js代码（让滚动条向下偏移n个像素（作用：动态加载了更多的电影信息））
    js = 'window.scrollTo(0,document.body.scrollHeight)'
    bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
    time.sleep(2)

    bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
    time.sleep(2)
    bro.save_screenshot('2.png')
    time.sleep(2)
    # 使用爬虫程序爬去当前url中的内容
    html_source = bro.page_source # 该属性可以获取当前浏览器的当前页的源码（html）
    print(html_source)
    with open('new_source.html', 'w',encoding="utf8") as fp:
        fp.write(html_source)
    bro.quit()

重点：selenium+phantomjs 就是爬虫终极解决方案:有些网站上的内容信息是通过动态加载js形成的，所以使用普通爬虫程序无法回去动态加载的js内容。例如豆瓣电影中的电影信息是通过下拉操作动态加载更多的电影信息。
综合操作：需求是尽可能多的爬取豆瓣网中的电影信息

滑动验证码简单破解示例:

 from selenium import webdriver
 from selenium.webdriver.support.ui import WebDriverWait # 等待元素加载的
 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, NoSuchElementException
 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):
     """
      拼接图片
     """
     im = Image.open(image_file)
     im.save('code.jpg')
     new_im = Image.new('RGB',(260,116))
     # 把无序的图片 切成52张小图片
     im_list_upper = []
     im_list_down = []
     # print(location_list)
     for location in location_list:
         # print(location['y'])
         if location['y'] == -58: # 上半边
             im_list_upper.append(im.crop((abs(location['x']),58,abs(location['x'])+10,116)))
         if location['y'] == 0:  # 下半边
             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))  # 把小图片放到 新的空白图片上
         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):
     '''
     下载无序的图片  然后进行拼接 获得完整的图片
     :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')
     # '替换url http://static.geetest.com/pictures/gt/579066de6/579066de6.webp'
     image_result = requests.get(image_url).content
     image_file = BytesIO(image_result) # 是一张无序的图片
     image = merge_image(image_file,location_list)

     return image

 def get_track(distance):

     # 初速度
     v=0
     # 单位时间为0.2s来统计轨迹，轨迹即0.2内的位移
     t=0.2
     # 位移/轨迹列表，列表内的一个元素代表0.2s的位移
     tracks=[]
     tracks_back=[]
     # 当前的位移
     current=0
     # 到达mid值开始减速
     mid=distance * 7/8
     print("distance",distance)
     global random_int
     random_int=8
     distance += random_int # 先滑过一点，最后再反着滑动回来

     while current < distance:
         if current < mid:
             # 加速度越小，单位时间的位移越小,模拟的轨迹就越多越详细
             a = random.randint(2,5)  # 加速运动
         else:
             a = -random.randint(2,5) # 减速运动
         # 初速度
         v0 = v
         # 0.2秒时间内的位移
         s = v0*t+0.5*a*(t**2)
         # 当前的位置
         current += s
         # 添加到轨迹列表
         if round(s)>0:
             tracks.append(round(s))
         else:
             tracks_back.append(round(s))

         # 速度已经达到v,该速度作为下次的初速度
         v= v0+a*t

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

     # 反着滑动到大概准确位置

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

     return tracks,tracks_back

 def get_distance(image1,image2):
     '''
        拿到滑动验证码需要移动的距离
       :param image1:没有缺口的图片对象
       :param image2:带缺口的图片对象
       :return:需要移动的距离
       '''
     # print('size', image1.size)

     threshold = 50
     for i in range(0,image1.size[0]):  #
         for j in range(0,image1.size[1]):  #
             pixel1 = image1.getpixel((i,j))
             pixel2 = image2.getpixel((i,j))
             res_R = abs(pixel1[0]-pixel2[0]) # 计算RGB差
             res_G = abs(pixel1[1] - pixel2[1])  # 计算RGB差
             res_B = abs(pixel1[2] - pixel2[2])  # 计算RGB差
             if res_R > threshold and res_G > threshold and res_B > threshold:
                 return i  # 需要移动的距离

 def main_check_code(driver,element):
     """
     拖动识别验证码
     :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')
     # 图片上 缺口的位置的x坐标

     # 2 对比两张图片的所有RBG像素点，得到不一样像素点的x值，即要移动的距离
     l = get_distance(image1, image2)
     print('l=',l)

     # 3 获得移动轨迹
     track_list = get_track(l)
     print('第一步,点击滑动按钮')
     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()  # 点击鼠标左键，按住不放
     import time
     time.sleep(0.4)
     print('第二步,拖动元素')
     for track in track_list[0]:
          ActionChains(driver).move_by_offset(xoffset=track, yoffset=0).perform()  # 鼠标移动到距离当前位置（x,y）
     #time.sleep(0.4)
     for track in track_list[1]:
           ActionChains(driver).move_by_offset(xoffset=track, yoffset=0).perform()  # 鼠标移动到距离当前位置（x,y）
           time.sleep(0.1)
     import time
     time.sleep(0.6)
     # ActionChains(driver).move_by_offset(xoffset=2, yoffset=0).perform()  # 鼠标移动到距离当前位置（x,y）
     # ActionChains(driver).move_by_offset(xoffset=8, yoffset=0).perform()  # 鼠标移动到距离当前位置（x,y）
     # ActionChains(driver).move_by_offset(xoffset=2, yoffset=0).perform()  # 鼠标移动到距离当前位置（x,y）
     print('第三步,释放鼠标')
     ActionChains(driver).release(on_element=element).perform()
     time.sleep(1)

 def main_check_slider(driver):
     """
     检查滑动按钮是否加载
     :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('超时错误，继续')
             time.sleep(5)

 if __name__ == '__main__':

     try:
         count = 3  # 最多识别3次
         driver = webdriver.Chrome()
         while count > 0:
             # 等待滑动按钮加载完成
             element = main_check_slider(driver)
             main_check_code(driver,element)
             try:
                 success_element = (By.CSS_SELECTOR, '.gt_success')
                 # 得到成功标志
                 success_images = WebDriverWait(driver,3).until(EC.presence_of_element_located(success_element))
                 if success_images:
                     print('成功识别！！！！！！')
                     count = 0
                     import sys
                     sys.exit()
             except Exception as e:
                 print('识别错误，继续')
                 count -= 1
                 time.sleep(1)
         else:
             print('too many attempt check code ')
             exit('退出程序')
     finally:
         driver.close()

详细用法可参考:https://www.cnblogs.com/pyedu/p/10306662.html