让浏览器自动加载页面

爬虫(Spider),反爬虫(Anti-Spider),反反爬虫(Anti-Anti-Spider)
之间恢宏壮阔的斗争…

  • 小莫想要某站上全数的电影,写了正规化的爬虫(基于HttpClient库),不断地遍历某站的录制列表页面,根据Html 分析电影名字存进自个儿的数据库。

  • 其一站点的运转小黎发现有个别时刻段需要量陡增,解析日志开采都以IP(xxx.xxx.xxx.xxx)这些客户,而且 user-agent 照旧Python-urllib/2.7 ,基于这两点推断非人类后平素在服务器上封杀。

  • 小莫电影只爬了大要上,于是也本着的改造了下计策:1. user-agent
    效仿百度(“Baiduspider…”),2. IP每爬半个钟头就换二个IP代理。

  • 小黎也开掘了相应的成形,于是在服务器上设置了一个频率限制,每分钟超越1二十五回呼吁的再屏蔽IP。
    同期思考到百度家的爬虫有望会被误伤,想想市镇部门每月几100000的排泄,于是写了个剧本,通过
    hostname 检查下那些 ip 是还是不是真的百度家的,对那么些 ip
    设置三个白名单。

  • 小莫发掘了新的限量后,想着小编也不急着要这个数量,留给服务器慢慢爬吧,于是修改了代码,随机1-3秒爬贰回,爬拾遍安息10秒,每一天只在8-12,18-20点爬,隔几天还苏息一下。

  • 小黎瞅着新的日志头都大了,再设定准绳一点都不小心会风险真实客户,于是计划换了四个思路,当3个小时的总伏乞超越46回的时候弹出二个验证码弹框,未有科学输入的话就把
    IP 记录进黑名单。

  • 小莫看见验证码有个别傻脸了,可是亦不是未曾主意,先去上学了图像识别(关键词
    PIL,tesseract),再对验证码实行了二值化,分词,方式练习未来,由此可以见到最后识别了小黎的验证码(关于验证码,验证码的分辨,验证码的反识别也是三个恢弘壮丽的努力史…),之后爬虫又跑了起来。

  • 小黎是个坚强的好同学,见到验证码被夺回后,和开采同学斟酌了改变下支付格局,数据并不再直接渲染,而是由前端同学异步获取,况兼经过
    JavaScript 的加密库生成动态的 token,同一时间加密库再扩充模糊。

  • 模糊过的加密库就平昔不艺术了么?当然不是,能够慢慢调节和测量试验,找到加密原理,可是小或许策画用那样耗时耗力的不二秘诀,他舍弃了基于
    HttpClient的爬虫,选用了安放浏览器引擎的爬虫(关键词:PhantomJS,Selenium),在浏览器引擎运营页面,直接获得了未可厚非的结果,又三遍得到了对方的数量。

  • 小黎:…..

Selenium

 Selenium是一个Web的自动化测验工具,最早是为网址自动化测量检验而支出的,类型像大家玩游戏用的按钮精灵,能够按钦点的指令自动操作,分裂是Selenium
可以一贯运营在浏览器上,它支持具备主流的浏览器(包涵PhantomJS这几个无界面包车型地铁浏览器)。

Selenium
能够依靠大家的指令,让浏览器自动加载页面,获取须要的多少,以致页面截屏,可能决断网址上有个别动作是还是不是发生。

Selenium
自个儿不带浏览器,不援救浏览器的功用,它要求与第三方浏览器结合在一起才干使用.

下载selenium webdriver
‘geckodriver.exe’,下载好后放置python目录里面

firefox的目录也要加多随处境变量中

Selenium Curry有个叫 WebDriver 的
API。WebDriver 有一点点儿像能够加载网址的浏览器,可是它也足以像
BeautifulSoup 或许其余 Selector
对象同样用来寻觅页面成分,与页面上的成分举行相互(发送文书、点击等),乃至施行别的动作来运转网络爬虫。

selenium神速入门

#!/usr/bin/env python
# -*- coding:utf-8 -*-

from selenium import webdriver

# 要想调用键盘按键操作需要引入keys包
from selenium.webdriver.common.keys import Keys

#创建浏览器对象
driver = webdriver.Firefox()

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

#打印页面标题“百度一下你就知道”
print driver.title

#生成当前页面快照
driver.save_screenshot("baidu.png")

# id="kw"是百度搜索框,输入字符串“微博”,跳转到搜索中国页面
driver.find_element_by_id("kw").send_keys(u"微博")

# id="su"是百度搜索按钮,click() 是模拟点击
driver.find_element_by_id("su").click()

# 获取新的页面快照
driver.save_screenshot(u"微博.png")

# 打印网页渲染后的源代码
print driver.page_source

# 获取当前页面Cookie
print driver.get_cookies()

# ctrl+a 全选输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'a')

# ctrl+x 剪切输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'x')

# 输入框重新输入内容
driver.find_element_by_id("kw").send_keys("test")

# 模拟Enter回车键
driver.find_element_by_id("su").send_keys(Keys.RETURN)

# 清除输入框内容
driver.find_element_by_id("kw").clear()

# 生成新的页面快照
driver.save_screenshot("test.png")

# 获取当前url
print driver.current_url

# 关闭当前页面,如果只有一个页面,会关闭浏览器
# driver.close()

# 关闭浏览器
driver.quit()

1.页面操作

固然有下边包车型大巴输入框

<input type="text" name="user-name" id="passwd-id" />

寻找办法

# 获取id标签值
element = driver.find_element_by_id("passwd-id")
# 获取name标签值
element = driver.find_element_by_name("user-name")
# 获取标签名值
element = driver.find_elements_by_tag_name("input")
# 也可以通过XPath来匹配
element = driver.find_element_by_xpath("//input[@id='passwd-id']")

2.定位元素的点子

find_element_by_id
find_elements_by_name
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_partial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector

3.鼠标动作

#!/usr/bin/env python
# -*- coding:utf-8 -*-

from selenium import webdriver

# 要想调用键盘按键操作需要引入keys包
from selenium.webdriver.common.keys import Keys
from selenium.webdriver import ActionChains

#创建浏览器对象
driver = webdriver.Firefox()

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

#鼠标移动到某处
action1 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action1).perform()

#鼠标移动到某处单击
action2 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action2).click(action2).perform()

#鼠标移动到某处双击
action3 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action3).double_click(action3).perform()

# 鼠标移动到某处右击
action4 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action4).context_click(action4).perform()

4.Select表单

遇上下来框供给选取操作时,Selenium专门提供了Select类来管理下拉框

# 导入 Select 类
from selenium.webdriver.support.ui import Select

# 找到 name 的选项卡
select = Select(driver.find_element_by_name('status'))

# 
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text(u"xxx")

如上是二种选择下拉框的措施,它能够依附目录来挑选,能够依照值来选拔,能够依据文字来抉择。注意:

  • index 索引从 0 开始
  • value是option标签的一个属性值,并非显得在下拉框中的值
  • visible_text是在option标签文本的值,是显得在下拉框的值

所有事撤销方法

select.deselect_all()

5.弹窗管理

当页面出现了弹窗提示

alert = driver.switch_to_alert()

6.页面切换

三个浏览器肯定会有无数窗口,所以大家必然要有法子来落实窗口的切换。切换窗口的点子如下:

driver.switch_to.window("this is window name")

7.页日前进和落后

操作页面包车型大巴向上和向下功用:

driver.forward()     #前进
driver.back()        # 后退

实例
模拟登录douban网址

#!/usr/bin/env python
# -*- coding:utf-8 -*-

from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time

driver = webdriver.Firefox()
driver.get("http://www.douban.com")

# 输入账号密码
driver.find_element_by_name("form_email").send_keys("158xxxxxxxx")
driver.find_element_by_name("form_password").send_keys("zhxxxxxxxx")

# 模拟点击登录
driver.find_element_by_xpath("//input[@class='bn-submit']").click()

# 等待3秒
time.sleep(3)

# 生成登陆后快照
driver.save_screenshot(u"douban.png")

driver.quit()

 动态页面模拟点击—>>>爬取斗鱼全数房间名,听大伙儿数

(1)首先分析‘’下一页‘’的class变化,纵然不是最终一页的时候,‘下一页’的class如下

 图片 1

(2)假若到了最后一页,‘下一页’变为掩饰,点击不了,class变为如下

图片 2

(3)找到个屋家的名字和观者人数的class

图片 3

(4)代码

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import unittest
from selenium import webdriver
from bs4 import BeautifulSoup as bs

class douyu(unittest.TestCase):
    # 初始化方法,必须是setUp()
    def setUp(self):
        self.driver = webdriver.Firefox()
        self.num = 0
        self.count = 0

    # 测试方法必须有test字样开头
    def testDouyu(self):
        self.driver.get("https://www.douyu.com/directory/all")

        while True:
            soup = bs(self.driver.page_source, "lxml")
            # 房间名, 返回列表
            names = soup.find_all("h3", {"class" : "ellipsis"})
            # 观众人数, 返回列表
            numbers = soup.find_all("span", {"class" :"dy-num fr"})

            # zip(names, numbers) 将name和number这两个列表合并为一个元组 : [(1, 2), (3, 4)...]
            for name, number in zip(names, numbers):
                print u"观众人数: -" + number.get_text().strip() + u"-t房间名: " + name.get_text().strip()
                self.num += 1
                #self.count += int(number.get_text().strip())

            # 如果在页面源码里找到"下一页"为隐藏的标签,就退出循环
            if self.driver.page_source.find("shark-pager-disable-next") != -1:
                    break

            # 一直点击下一页
            self.driver.find_element_by_class_name("shark-pager-next").click()

    # 测试结束执行的方法
    def tearDown(self):
        # 退出Firefox()浏览器
        print "当前网站直播人数" + str(self.num)
        print "当前网站观众人数" + str(self.count)
        self.driver.quit()

if __name__ == "__main__":
    # 启动测试模块
    unittest.main()

爬取的结果:

图片 4

 

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

*
*
Website