python爬蟲入門（五）Selenium模擬用戶操作

爬蟲(Spider)，反爬蟲(Anti-Spider)，反反爬蟲(Anti-Anti-Spider) 之間恢宏壯闊的斗爭...

• 小莫想要某站上所有的電影，寫了標准的爬蟲(基於HttpClient庫)，不斷地遍歷某站的電影列表頁面，根據 Html 分析電影名字存進自己的數據庫。

• 這個站點的運維小黎發現某個時間段請求量陡增，分析日志發現都是 IP(xxx.xxx.xxx.xxx)這個用戶，並且 user-agent 還是 Python-urllib/2.7 ，基於這兩點判斷非人類后直接在服務器上封殺。

• 小莫電影只爬了一半，於是也針對性的變換了下策略：1. user-agent 模仿百度("Baiduspider...")，2. IP每爬半個小時就換一個IP代理。

• 小黎也發現了對應的變化，於是在服務器上設置了一個頻率限制，每分鍾超過120次請求的再屏蔽IP。 同時考慮到百度家的爬蟲有可能會被誤傷，想想市場部門每月幾十萬的投放，於是寫了個腳本，通過 hostname 檢查下這個 ip 是不是真的百度家的，對這些 ip 設置一個白名單。

• 小莫發現了新的限制后，想着我也不急着要這些數據，留給服務器慢慢爬吧，於是修改了代碼，隨機1-3秒爬一次，爬10次休息10秒，每天只在8-12，18-20點爬，隔幾天還休息一下。

• 小黎看着新的日志頭都大了，再設定規則不小心會誤傷真實用戶，於是准備換了一個思路，當3個小時的總請求超過50次的時候彈出一個驗證碼彈框，沒有正確輸入的話就把 IP 記錄進黑名單。

• 小莫看到驗證碼有些傻臉了，不過也不是沒有辦法，先去學習了圖像識別（關鍵詞 PIL，tesseract），再對驗證碼進行了二值化，分詞，模式訓練之后，總之最后識別了小黎的驗證碼（關於驗證碼，驗證碼的識別，驗證碼的反識別也是一個恢弘壯麗的斗爭史...），之后爬蟲又跑了起來。

• 小黎是個不折不撓的好同學，看到驗證碼被攻破后，和開發同學商量了變化下開發模式，數據並不再直接渲染，而是由前端同學異步獲取，並且通過 JavaScript 的加密庫生成動態的 token，同時加密庫再進行混淆。

• 混淆過的加密庫就沒有辦法了么？當然不是，可以慢慢調試，找到加密原理，不過小莫不准備用這么耗時耗力的方法，他放棄了基於 HttpClient的爬蟲，選擇了內置瀏覽器引擎的爬蟲(關鍵詞：PhantomJS，Selenium)，在瀏覽器引擎運行頁面，直接獲取了正確的結果，又一次拿到了對方的數據。

• 小黎：.....

Selenium

 Selenium是一個Web的自動化測試工具，最初是為網站自動化測試而開發的，類型像我們玩游戲用的按鍵精靈，可以按指定的命令自動操作，不同是Selenium 可以直接運行在瀏覽器上，它支持所有主流的瀏覽器（包括PhantomJS這些無界面的瀏覽器）。

Selenium 可以根據我們的指令，讓瀏覽器自動加載頁面，獲取需要的數據，甚至頁面截屏，或者判斷網站上某些動作是否發生。

Selenium 自己不帶瀏覽器，不支持瀏覽器的功能，它需要與第三方瀏覽器結合在一起才能使用.

先下載selenium webdriver ‘geckodriver.exe’,下載好后放到python目錄里面

firefox的目錄也要添加到環境變量中

Selenium 庫里有個叫 WebDriver 的 API。WebDriver 有點兒像可以加載網站的瀏覽器，但是它也可以像 BeautifulSoup 或者其他 Selector 對象一樣用來查找頁面元素，與頁面上的元素進行交互 (發送文本、點擊等)，以及執行其他動作來運行網絡爬蟲。

selenium快速入門

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

from selenium import webdriver

# 要想調用鍵盤按鍵操作需要引入keys包
from selenium.webdriver.common.keys import Keys

#創建瀏覽器對象
driver = webdriver.Firefox()

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

#打印頁面標題“百度一下你就知道”
print driver.title

#生成當前頁面快照
driver.save_screenshot("baidu.png")

# id="kw"是百度搜索框，輸入字符串“微博”，跳轉到搜索中國頁面
driver.find_element_by_id("kw").send_keys(u"微博")

# id="su"是百度搜索按鈕，click() 是模擬點擊
driver.find_element_by_id("su").click()

# 獲取新的頁面快照
driver.save_screenshot(u"微博.png")

# 打印網頁渲染后的源代碼
print driver.page_source

# 獲取當前頁面Cookie
print driver.get_cookies()

# ctrl+a 全選輸入框內容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'a')

# ctrl+x 剪切輸入框內容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'x')

# 輸入框重新輸入內容
driver.find_element_by_id("kw").send_keys("test")

# 模擬Enter回車鍵
driver.find_element_by_id("su").send_keys(Keys.RETURN)

# 清除輸入框內容
driver.find_element_by_id("kw").clear()

# 生成新的頁面快照
driver.save_screenshot("test.png")

# 獲取當前url
print driver.current_url

# 關閉當前頁面，如果只有一個頁面，會關閉瀏覽器
# driver.close()

# 關閉瀏覽器
driver.quit()

1.頁面操作

假如有下面的輸入框

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

尋找方法

# 獲取id標簽值
element = driver.find_element_by_id("passwd-id")
# 獲取name標簽值
element = driver.find_element_by_name("user-name")
# 獲取標簽名值
element = driver.find_elements_by_tag_name("input")
# 也可以通過XPath來匹配
element = driver.find_element_by_xpath("//input[@id='passwd-id']")

2.定位元素的方法

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.鼠標動作

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

from selenium import webdriver

# 要想調用鍵盤按鍵操作需要引入keys包
from selenium.webdriver.common.keys import Keys
from selenium.webdriver import ActionChains

#創建瀏覽器對象
driver = webdriver.Firefox()

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

#鼠標移動到某處
action1 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action1).perform()

#鼠標移動到某處單擊
action2 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action2).click(action2).perform()

#鼠標移動到某處雙擊
action3 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action3).double_click(action3).perform()

# 鼠標移動到某處右擊
action4 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action4).context_click(action4).perform()

4.Select表單

遇到下來框需要選擇操作時，Selenium專門提供了Select類來處理下拉框

# 導入 Select 類
from selenium.webdriver.support.ui import Select

# 找到 name 的選項卡
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")

以上是三種選擇下拉框的方式，它可以根據索引來選擇，可以根據值來選擇，可以根據文字來選擇。注意：

• index 索引從 0 開始
• value是option標簽的一個屬性值，並不是顯示在下拉框中的值
• visible_text是在option標簽文本的值，是顯示在下拉框的值

全部取消方法

select.deselect_all()

5.彈窗處理

當頁面出現了彈窗提示

alert = driver.switch_to_alert()

6.頁面切換

一個瀏覽器肯定會有很多窗口，所以我們肯定要有方法來實現窗口的切換。切換窗口的方法如下：

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

7.頁面前進和后退

操作頁面的前進和后退功能：

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

實例 模擬登陸douban網站

#!/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")

# 輸入賬號密碼
driver.find_element_by_name("form_email").send_keys("158xxxxxxxx")
driver.find_element_by_name("form_password").send_keys("zhxxxxxxxx")

# 模擬點擊登錄
driver.find_element_by_xpath("//input[@class='bn-submit']").click()

# 等待3秒
time.sleep(3)

# 生成登陸后快照
driver.save_screenshot(u"douban.png")

driver.quit()

 動態頁面模擬點擊--->>>爬取斗魚所有房間名,觀眾人數

（1）首先分析‘’下一頁‘’的class變化，如果不是最后一頁的時候，‘下一頁’的class如下

 

（2）如果到了最后一頁，‘下一頁’變為隱藏，點擊不了，class變為如下

（3）找到個房間的名字和觀眾人數的class

（4）代碼

#!/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，必須是setUp()
    def setUp(self):
        self.driver = webdriver.Firefox()
        self.num = 0
        self.count = 0

    # 測試方法必須有test字樣開頭
    def testDouyu(self):
        self.driver.get("https://www.douyu.com/directory/all")

        while True:
            soup = bs(self.driver.page_source, "lxml")
            # 房間名, 返回列表
            names = soup.find_all("h3", {"class" : "ellipsis"})
            # 觀眾人數, 返回列表
            numbers = soup.find_all("span", {"class" :"dy-num fr"})

            # zip(names, numbers) 將name和number這兩個列表合並為一個元組 : [(1, 2), (3, 4)...]
            for name, number in zip(names, numbers):
                print u"觀眾人數: -" + number.get_text().strip() + u"-\t房間名: " + name.get_text().strip()
                self.num += 1
                #self.count += int(number.get_text().strip())

            # 如果在頁面源碼里找到"下一頁"為隱藏的標簽，就退出循環
            if self.driver.page_source.find("shark-pager-disable-next") != -1:
                    break

            # 一直點擊下一頁
            self.driver.find_element_by_class_name("shark-pager-next").click()

    # 測試結束執行的方法
    def tearDown(self):
        # 退出Firefox()瀏覽器
        print "當前網站直播人數" + str(self.num)
        print "當前網站觀眾人數" + str(self.count)
        self.driver.quit()

if __name__ == "__main__":
    # 啟動測試模塊
    unittest.main()

爬取的結果：