汕头市公司网站建设多少钱,做图素材的网站有哪些,阳江招聘网最新招聘,安徽工程建设信息网站6本文主要学习一下关于爬虫的相关前置知识和一些理论性的知识#xff0c;通过本文我们能够知道什么是爬虫#xff0c;都有那些分类#xff0c;爬虫能干什么等#xff0c;同时还会站在爬虫的角度复习一下http协议。
爬虫全套笔记地址#xff1a; 请移步这里 共 8 章#x…
本文主要学习一下关于爬虫的相关前置知识和一些理论性的知识通过本文我们能够知道什么是爬虫都有那些分类爬虫能干什么等同时还会站在爬虫的角度复习一下http协议。
爬虫全套笔记地址 请移步这里 共 8 章37 子模块 Selenium本文概要
本阶段本文主要学习selenium自动化测试框架在爬虫中的应用selenium能够大幅降低爬虫的编写难度但是也同样会大幅降低爬虫的爬取速度。在逼不得已的情况下我们可以使用selenium进行爬虫的编写。
selenium提取数据
知识点
了解 driver对象的常用属性和方法掌握 driver对象定位标签元素标签对象的方法掌握 标签对象提取文本和属性值的方法 1. driver对象的常用属性和方法 在使用selenium过程中实例化driver对象后driver对象有一些常用的属性和方法 driver.page_source 当前标签页浏览器渲染之后的网页源代码driver.current_url 当前标签页的urldriver.close() 关闭当前标签页如果只有一个标签页则关闭整个浏览器driver.quit() 关闭浏览器driver.forward() 页面前进driver.back() 页面后退driver.screen_shot(img_name) 页面截图 知识点了解 driver对象的常用属性和方法 2. driver对象定位标签元素标签对象的方法 在selenium中可以通过多种方式来定位标签返回标签元素对象 find_element_by_id (返回一个元素)
find_element(s)_by_class_name (根据类名元素列表)
find_element(s)_by_name (根据标签的name属性值返回包含标签对象元素的列表)
find_element(s)_by_xpath (返回一个包含元素的列表)
find_element(s)_by_link_text (根据连接文本元素列表)
find_element(s)_by_partial_link_text (根据链接包含的文本元素列表)
find_element(s)_by_tag_name (根据标签名元素列表)
find_element(s)_by_css_selector (根据css选择器来元素列表)注意 find_element和find_elements的区别 多了个s就返回列表没有s就返回匹配到的第一个标签对象find_element匹配不到就抛出异常find_elements匹配不到就返回空列表 by_link_text和by_partial_link_tex的区别全部文本和包含某个文本 以上函数的使用方法 driver.find_element_by_id(id_str) 知识点掌握 driver对象定位标签元素标签对象的方法 3. 标签对象提取文本内容和属性值 find_element仅仅能够元素不能够直接其中的数据如果需要数据需要使用以下方法 对元素执行点击操作element.click() 对定位到的标签对象进行点击操作 向输入框输入数据element.send_keys(data) 对定位到的标签对象输入数据 文本element.text 通过定位的标签对象的text属性文本内容 属性值element.get_attribute(属性名) 通过定位的标签对象的get_attribute函数传入属性名来属性的值 代码实现如下
from selenium import webdriverdriver webdriver.Chrome()driver.get(http://www.itcast.cn/)ret driver.find_elements_by_tag_name(h2)
print(ret[0].text) # ret driver.find_elements_by_link_text(黑马程序员)
print(ret[0].get_attribute(href))driver.quit()selenium的其它使用方法
知识点
掌握 selenium控制标签页的切换掌握 selenium控制iframe的切换掌握 利用seleniumcookie的方法掌握 手动实现页面等待掌握 selenium控制浏览器执行js代码的方法掌握 selenium开启无界面模式了解 selenium使用代理ip了解 selenium替换user-agent 1. selenium标签页的切换 当selenium控制浏览器打开多个标签页时如何控制浏览器在不同的标签页中进行切换呢需要我们做以下两步 所有标签页的窗口句柄 利用窗口句柄字切换到句柄指向的标签页 这里的窗口句柄是指指向标签页对象的标识关于句柄请课后了解更多本小节不做展开 具体的方法 # 1. 当前所有的标签页的句柄构成的列表current_windows driver.window_handles# 2. 根据标签页句柄列表索引下标进行切换driver.switch_to.window(current_windows[0])参考代码示例
import time
from selenium import webdriverdriver webdriver.Chrome()
driver.get(https://www.baidu.com/)time.sleep(1)
driver.find_element_by_id(kw).send_keys(python)
time.sleep(1)
driver.find_element_by_id(su).click()
time.sleep(1)# 通过执行js来新开一个标签页js window.open(https://www.sogou.com);
driver.execute_script(js)
time.sleep(1)# 1. 当前所有的窗口windows driver.window_handlestime.sleep(2)# 2. 根据窗口索引进行切换driver.switch_to.window(windows[0])
time.sleep(2)
driver.switch_to.window(windows[1])time.sleep(6)
driver.quit()知识点掌握 selenium控制标签页的切换 2. switch_to切换frame标签 iframe是html中常用的一种技术即一个页面中嵌套了另一个网页selenium默认是访问不了frame中的内容的对应的解决思路是driver.switch_to.frame(frame_element)。接下来我们通过qq邮箱模拟登陆来学习这个知识点
参考代码
import time
from selenium import webdriverdriver webdriver.Chrome()url https://mail.qq.com/cgi-bin/loginpage
driver.get(url)
time.sleep(2)login_frame driver.find_element_by_id(login_frame) # 根据id定位 frame元素
driver.switch_to.frame(login_frame) # 转向到该frame中driver.find_element_by_xpath(//*[idu]).send_keys(1596930226qq.com)
time.sleep(2)driver.find_element_by_xpath(//*[idp]).send_keys(hahamimashicuode)
time.sleep(2)driver.find_element_by_xpath(//*[idlogin_button]).click()
time.sleep(2)操作frame外边的元素需要切换出去
windows driver.window_handles
driver.switch_to.window(windows[0])content driver.find_element_by_class_name(login_pictures_title).text
print(content)driver.quit()总结 切换到定位的frame标签嵌套的页面中 driver.switch_to.frame(通过find_element_by函数定位的frame、iframe标签对象) 利用切换标签页的方式切出frame标签 windows driver.window_handles
driver.switch_to.window(windows[0])知识点掌握 selenium控制frame标签的切换 3. selenium对cookie的处理 selenium能够帮助我们处理页面中的cookie比如、删除接下来我们就学习这部分知识 3.1 cookie driver.get_cookies()返回列表其中包含的是完整的cookie信息不光有name、value还有domain等cookie其他维度的信息。所以如果想要把的cookie信息和requests模块配合使用的话需要转换为name、value作为键值对的cookie字典 # 当前标签页的全部cookie信息print(driver.get_cookies())# 把cookie转化为字典cookies_dict {cookie[‘name’]: cookie[‘value’] for cookie in driver.get_cookies()}3.2 删除cookie #删除一条cookiedriver.delete_cookie(CookieName)# 删除所有的cookiedriver.delete_all_cookies()知识点掌握 利用seleniumcookie的方法 4. selenium控制浏览器执行js代码 selenium可以让浏览器执行我们规定的js代码运行下列代码查看运行效果 import time
from selenium import webdriverdriver webdriver.Chrome()
driver.get(http://www.itcast.cn/)
time.sleep(1)js window.scrollTo(0,document.body.scrollHeight) # js语句
driver.execute_script(js) # 执行js的方法time.sleep(5)
driver.quit()执行js的方法driver.execute_script(js) 知识点掌握 selenium控制浏览器执行js代码的方法 5. 页面等待 页面在加载的过程中需要花费时间等待网站服务器的响应在这个过程中标签元素有可能还没有加载出来是不可见的如何处理这种情况呢 页面等待分类强制等待介绍显式等待介绍隐式等待介绍手动实现页面等待
5.1 页面等待的分类 首先我们就来了解以下selenium页面等待的分类 强制等待隐式等待显式等待
5.2 强制等待了解
其实就是time.sleep()缺点时不智能设置的时间太短元素还没有加载出来设置的时间太长则会浪费时间
5.3 隐式等待 隐式等待针对的是元素定位隐式等待设置了一个时间在一段时间内判断元素是否定位成功如果完成了就进行下一步 在设置的时间内没有定位成功则会报超时加载 示例代码
from selenium import webdriverdriver webdriver.Chrome() driver.implicitly_wait(10) # 隐式等待最长等20秒 driver.get(https://www.baidu.com)driver.find_element_by_xpath()5.4 显式等待了解 每经过多少秒就查看一次等待条件是否达成如果达成就停止等待继续执行后续代码 如果没有达成就继续等待直到超过规定的时间后报超时异常 示例代码
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By driver webdriver.Chrome()driver.get(https://www.baidu.com)# 显式等待WebDriverWait(driver, 20, 0.5).until(EC.presence_of_element_located((By.LINK_TEXT, 好123))) # 参数20表示最长等待20秒# 参数0.5表示0.5秒检查一次规定的标签是否存在# EC.presence_of_element_located((By.LINK_TEXT, 好123)) 表示通过链接文本内容定位标签# 每0.5秒一次检查通过链接文本内容定位标签是否存在如果存在就向下继续执行如果不存在直到20秒上限就抛出异常print(driver.find_element_by_link_text(好123).get_attribute(href))
driver.quit()5.5 手动实现页面等待 在了解了隐式等待和显式等待以及强制等待后我们发现并没有一种通用的方法来解决页面等待的问题比如“页面需要滑动才能触发ajax异步加载”的场景那么接下来我们就以淘宝网首页为例手动实现页面等待 原理 利用强制等待和显式等待的思路来手动实现不停的判断或有次数限制的判断某一个标签对象是否加载完毕是否存在 实现代码如下
import time
from selenium import webdriver
driver webdriver.Chrome(/home/worker/Desktop/driver/chromedriver)driver.get(https://www.taobao.com/)
time.sleep(1)# i 0# while True:for i in range(10):i 1try:time.sleep(3)element driver.find_element_by_xpath(//div[classshop-inner]/h3[1]/a)print(element.get_attribute(href))breakexcept:js window.scrollTo(0, {}).format(i*500) # js语句driver.execute_script(js) # 执行js的方法
driver.quit()知识点掌握 手动实现页面等待 6. selenium开启无界面模式 绝大多数服务器是没有界面的selenium控制谷歌浏览器也是存在无界面模式的这一小节我们就来学习如何开启无界面模式又称之为无头模式 开启无界面模式的方法 实例化配置对象 options webdriver.ChromeOptions() 配置对象添加开启无界面模式的命令 options.add_argument(--headless) 配置对象添加禁用gpu的命令 options.add_argument(--disable-gpu) 实例化带有配置对象的driver对象 driver webdriver.Chrome(chrome_optionsoptions) 注意macos中chrome浏览器59版本Linux中57版本才能使用无界面模式 参考代码如下
from selenium import webdriveroptions webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument(--headless) # 开启无界面模式
options.add_argument(--disable-gpu) # 禁用gpu# options.set_headles() # 无界面模式的另外一种开启方式driver webdriver.Chrome(chrome_optionsoptions) # 实例化带有配置的driver对象driver.get(http://www.itcast.cn)
print(driver.title)
driver.quit()知识点掌握 selenium开启无界面模式 7. selenium使用代理ip selenium控制浏览器也是可以使用代理ip的 使用代理ip的方法 实例化配置对象 options webdriver.ChromeOptions() 配置对象添加使用代理ip的命令 options.add_argument(--proxy-serverhttp://202.20.16.82:9527) 实例化带有配置对象的driver对象 driver webdriver.Chrome(./chromedriver, chrome_optionsoptions) 参考代码如下
from selenium import webdriveroptions webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument(--proxy-serverhttp://202.20.16.82:9527) # 使用代理ipdriver webdriver.Chrome(chrome_optionsoptions) # 实例化带有配置的driver对象driver.get(http://www.itcast.cn)
print(driver.title)
driver.quit()知识点了解 selenium使用代理ip 8. selenium替换user-agent selenium控制谷歌浏览器时User-Agent默认是谷歌浏览器的这一小节我们就来学习使用不同的User-Agent 替换user-agent的方法 实例化配置对象 options webdriver.ChromeOptions() 配置对象添加替换UA的命令 options.add_argument(--user-agentMozilla/5.0 HAHA) 实例化带有配置对象的driver对象 driver webdriver.Chrome(./chromedriver, chrome_optionsoptions) 参考代码如下
from selenium import webdriveroptions webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument(--user-agentMozilla/5.0 HAHA) # 替换User-Agentdriver webdriver.Chrome(./chromedriver, chrome_optionsoptions)driver.get(http://www.itcast.cn)
print(driver.title)
driver.quit()知识点了解 selenium替换user-agent 反爬与反反爬
本阶段本文主要学习爬虫的反爬及应对方法。
未完待续 下一期下一章
全套笔记直接地址 请移步这里
