基于Selenium模拟浏览器爬虫详解
源 /Python中文社区
一.背景
Selenium 是一个用于web应用程序自动化测试的工具,直接运行在浏览器当中,支持chrome、firefox等主流浏览器。可以通过代码控制与页面上元素进行交互(点击、输入等),也可以获取指定元素的内容。
劣势:
相比于抓包→构造请求→解析返回值的爬虫,由于Selenium需要生成一个浏览器环境,所有操作(与元素交互、获取元素内容等)均需要等待页面加载完毕后才可以继续进行,所以速度相比构造请求的慢很多。对于为了反爬做了特殊处理的展示内容,如字体加密(参考猫眼)、图片替换数字(参考自如)等,可能取不到想要的数据。
使用图片替换数字的自如:
优势:
a. 不需要做复杂的抓包、构造请求、解析数据等,开发难度相对要低一些。
b. 其访问参数跟使用浏览器的正常用户一模一样,访问行为也相对更像正常用户,不容易被反爬虫策略命中。
c.生成的浏览器环境可以自动运行 JS 文件,所以不用担心如何逆向混淆过的JS文件生成用作人机校验的参数,如马蜂窝酒店评论的人机校验参数
_sn
,网易云音乐评论的人机校验参数params
、encSecKey
。可以自行抓包查看。d. 如果需要抓取同一个前端页面上面来自不同后端接口的信息,如OTA酒店详情页的酒店基础信息、价格、评论等,使用Selenium可以在一次请求中同时完成对三个接口的调用,相对方便。
二、实现
1.环境
- python3.6
- Macos
- Selenium
3.浏览器驱动(webdriver)
加载浏览器环境需要下载对应的浏览器驱动,此处选择 Chrome。
下载地址:http://npm.taobao.org/mirrors/chromedriver/ ,
选择合适的版本下载解压后放在随便一个位置即可。
4.hello world
from
这里填刚刚下载的驱动的路径
运行上述代码,会打开一个浏览器,并且加载去哪儿的酒店列表页
selenium
import webdriver
这里填刚刚下载的驱动的路径
path =
/Applications/Google Chrome.app/Contents/chromedriver driver = webdriver.Chrome(executable_path=path)
url =
http://hotel.qunar.com/city/beijing_city/ driver.get(url)
运行上述代码,会打开一个浏览器,并且加载去哪儿的酒店列表页
这时候可以通过webdriver自带的一些的一些方法获取元素内容或者与元素进行交互。
#返回ID = js_block_beijing_city_7810的元素信息
#返回 展示在列表页的酒店信息
#同理,可以find_element_by_[class_name|name] 等,均可完成查询。
hotel_info = driver.find_element_by_id(
js_block_beijing_city_7810 )
print(hotel_info.text)
#返回 展示在列表页的酒店信息
#同理,可以find_element_by_[class_name|name] 等,均可完成查询。
也可以通过方法
find_elements
查找符合某条件的一组元素,以列表的形式返回。#当需要查询的唯一标识带有空格时,可以使用find_elements_by_css_selector,否则会报错。
#返回酒店列表的全部信息。
hotel_list = driver.find_elements_by_css_selector(
"[class= b_result_box js_list_block b_result_commentbox ]")
print(hotel_list)
#返回酒店列表的全部信息。
5.关闭图片加载
在不需要抓取图片的情况下,可以设置不加载图片,节约时间,这样属于调整本地设置,在传参上并不会有异常。
from
selenium
import webdriver
chrome_opt = webdriver.ChromeOptions()
prefs={
"profile.managed_default_content_settings.images":
2}
chrome_opt.add_experimental_option(
"prefs",prefs)
path =
#驱动路径browser_noPic = webdriver.Chrome(executable_path=path,chrome_options=chrome_opt)
三、使用webdriver与元素进行交互
1.模拟鼠标点击
hotel_info = driver.find_element_by_id(
"js_plugin_tag_beijing_city_7810")
hotel.info.click()
#进入酒店详情页
2.模拟键盘输入
hotel_search = driver.find_element_by_id(
"jxQ")
hotel_search.send_keys(
"如")
hotel_search.send_keys(
"如家")
#由于搜索框输入的第一个字会被选中,所以需要第二次才能完整输入,当然也可以模拟按键盘的 →(右键)取消选中后再次输入。
3.模拟下拉
webdriver中对鼠标的操作的方法封装在ActionChains类中 ,使用前要先导入ActionChains类:
from
"""在页面顶部、底部个找了一个元素,并模拟鼠标从顶到底的滑动"""
selenium.webdriver.common.action_chains
import ActionChains
"""在页面顶部、底部个找了一个元素,并模拟鼠标从顶到底的滑动"""
start = driver.find_element_by_class_name(
e_above_header )
target = driver.find_element_by_class_name(
qn_footer )
ActionChains(driver).drag_and_drop(start,target).perform()
此外,webdiver还提供丰富的交互功能,比如鼠标悬停、双击、按住左键等等,此处不展开介绍。
四、一个完整的模拟浏览器爬虫
from
from
import
这里填刚刚下载的驱动的路径
"""在页面顶部、底部个找了一个元素,并模拟鼠标从顶到底的滑动"""
#此处可以爬整个页面任何想要想要的元素
defhotel_info_clawer():
for
#后面可以补充翻页继续抓取的部分
selenium
import webdriver
from
selenium.webdriver.common.action_chains
import ActionChains
import
time
这里填刚刚下载的驱动的路径
path =
/Users/./Desktop/chromedriver driver = webdriver.Chrome(executable_path=path)
url =
http://hotel.qunar.com/city/beijing_city/ driver.get(url)
time.sleep(
6)
#等待页面加载完再进行后续操作"""在页面顶部、底部个找了一个元素,并模拟鼠标从顶到底的滑动"""
start = driver.find_element_by_class_name(
e_above_header )
target = driver.find_element_by_class_name(
qn_footer )
ActionChains(driver).drag_and_drop(start,target).perform()
time.sleep(
5)
#等待页面加载完再进行后续操作hotel_link_list = driver.find_elements_by_css_selector(
"[class= item_price js_hasprice ]")
print(
"在此页面共有酒店",len(hotel_link_list),
"家")
windows = driver.window_handles
#此处可以爬整个页面任何想要想要的元素
list_hotel_info=[]
defhotel_info_clawer():
list_hotel_info.append([driver.find_element_by_class_name(
"info").text,
driver.find_element_by_class_name(
"js-room-table").text,
driver.find_element_by_class_name(
"dt-module").text])
for
i
in range(len(hotel_link_list)):
hotel_link_list[i].click()
driver.switch_to.window(windows[
-1])
#切换到刚打开的酒店详情页 hotel_info_clawer()
driver.close()
#关闭已经爬完的酒店详情页 print(
"已经抓取酒店",i,
"家")
#后面可以补充翻页继续抓取的部分
五、使用截图+OCR抓取关键数据
对于做了特殊处理的信息,如上述的猫眼电影的票房信息、自如的价格等,不适用于直接获取制定元素的信息进行抓取,可以使用截图+OCR的方式抓取此类数据。
以自如的房租为例:
from
这里填刚刚下载的驱动的路径
"对指定元素部分截图再保存"
selenium
import webdriver
这里填刚刚下载的驱动的路径
path =
/Applications/Google Chrome.app/Contents/chromedriver driver = webdriver.Chrome(executable_path=path)
url =
http://www.ziroom.com/z/vr/61715463.html driver.get(url)
price = diver.find_element_by_class_name(
room_price )
print(price.text)
#由于自如的价格用图片做了替换,这样并不能获取到实际价格,需要获取图片再做ocr处理"对指定元素部分截图再保存"
price.screenshot(
/Users/./Desktop/price.png )
安装ocr工具:
Tesseract是一个开源的OCR引擎,能识别100多种语言(中,英,韩,日,德,法…等等),但是Tesseract对手写的识别能力较差,仅适用于打印字体。
//仅安装tesseract,不安装训练工具和其他语音包,需要识别中文的话得额外下载
//下载地址:https://github.com/tesseract-ocr/tessdata
brew install tesseract
使用Tesseract:
tesseract ~/price.png result
//识别图片并将结果存在result里面
在python下使用Tesseract:
首先安装依赖包:
pip install pytesseract
import
from
# open image
pytesseract
from
PIL
import Image
# open image
image = Image.open(
price.png )
code = pytesseract.image_to_string(image)
print(code)
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。