python爬虫入门

作者: 新闻动态  发布:2019-12-01

selenium火速入门

6.页面切换

搜索办法

实例 模拟登入douban网址

Selenium Curry有个叫 WebDriver 的 API。WebDriver 有一些儿像能够加载网址的浏览器,不过它也足以像 BeautifulSoup 可能别的 Selector 对象同样用来搜寻页面成分,与页面上的要素进行人机联作(发送文书、点击等卡塔尔国,以致实行别的动作来运行网络爬虫。

  • 小莫想要某站上全部的电影,写了正规的爬虫(基于HttpClient库卡塔尔(英语:State of Qatar),不断地遍历某站的影视列表页面,依照Html 深入分析电影名字存进自身的数据库。

  • 这一个站点的运维小黎发掘有些时间段诉求量陡增,深入分析日志发掘都是IP(xxx.xxx.xxx.xxx卡塔尔这么些客户,并且 user-agent 仍然Python-urllib/2.7 ,基于这两点判断非人类后平素在服务器上封闭消灭。

  • 小莫电影只爬了百分之五十,于是也本着的转换了下战术:1. user-agent 模拟百度("Baiduspider..."卡塔尔(英语:State of Qatar),2. IP每爬半个钟头就换一个IP代理。

  • 小黎也发觉了对应的变型,于是在服务器上安装了一个效能约束,每分钟当先1贰14遍号令的再屏蔽IP。 同一时间思虑到百度家的爬虫有希望会被误伤,动脑筋市集部门每月几十万的投放,于是写了个剧本,通过 hostname 检查下这些 ip 是否真的百度家的,对这一个 ip 设置三个白名单。

  • 小莫发掘了新的界定后,想着作者也不急着要这个数量,留给服务器慢慢爬吧,于是纠正了代码,随机1-3秒爬叁次,爬11次安歇10秒,天天只在8-12,18-20点爬,隔几天还苏息一下。

  • 小黎瞧着新的日志头都大了,再设定法规非常的大心会有剧毒真实客商,于是准备换了一个思路,当3个钟头的总央求超越四拾陆次的时候弹出三个验证码弹框,未有精确输入的话就把 IP 记录进黑名单。

  • 小莫见到验证码有个别傻脸了,可是亦不是还未有主意,先去读书了图像识别(关键词 PIL,tesseract),再对验证码实行了二值化,分词,形式练习之后,简单来说最后识别了小黎的验证码(关于验证码,验证码的辨别,验证码的反识别也是四个扩卯月丽的加油史...),之后爬虫又跑了起来。

  • 小黎是个坚强的好同学,看见验证码被攻破后,和开垦同学商量了变通下支付形式,数据并不再直接渲染,而是由前端同学异步获取,况兼通过 JavaScript 的加密库生成动态的 token,相同的时间加密库再开展模糊。

  • 模糊过的加密库就从不办法了么?当然不是,能够逐步调节和测验,找到加密原理,然则小可能计划用这么耗时耗力的方法,他遗弃了基于 HttpClient的爬虫,采用了安置浏览器引擎的爬虫(关键词:PhantomJS,Selenium卡塔尔,在浏览器引擎运转页面,直接获取了无可非议的结果,又叁次获得了对方的数据。

  • 小黎:.....

Selenium

select.deselect_all()
# 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.恒定成分的艺术

# 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")

 Selenium是叁个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开关Smart,能够按钦点的通令自动操作,区别是Selenium 能够平昔运转在浏览器上,它支持具备主流的浏览器(包涵PhantomJS这几个无分界面包车型地铁浏览器)。

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

全总撤回方法

当页面现身了弹窗提醒

爬虫(Spider卡塔尔,反爬虫(Anti-Spider卡塔尔(قطر‎,反反爬虫(Anti-Anti-Spider卡塔尔(قطر‎之间恢宏壮阔的多管闲事争...

#!/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()

 动态页面模拟点击--->>>爬取置身事外鱼全数房间名,观者人数

(1)首先深入分析‘’下朝气蓬勃页‘’的class变化,假如不是终极生机勃勃页的时候,‘下生龙活虎页’的class如下

 图片 1

(2)假若到了最后后生可畏页,‘下生龙活虎页’变为掩没,点击不了,class变为如下

图片 2

(3)找到个房子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

 

7.页前面行和倒退

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

4.Select表单

firefox的目录也要增添各情形变量中

#!/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

上述是三种选用下拉框的点子,它能够依靠目录来抉择,能够根据值来抉择,能够依靠文字来采撷。注意:

凌驾下来框须求选取操作时,Selenium特地提供了Select类来管理下拉框

Selenium 本人不带浏览器,不协理浏览器的成效,它须要与第三方浏览器结合在联合工夫使用.

5.弹窗管理

#!/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()
  • index 索引从 0 开始
  • value是option标签的一个属性值,并非展现在下拉框中的值
  • visible_text是在option标签文本的值,是展现在下拉框的值
alert = driver.switch_to_alert()
driver.forward()     #前进
driver.back()        # 后退

Selenium 能够依据我们的命令,让浏览器自动加载页面,获取要求的数码,以致页面截屏,可能决断网址上好几动作是否产生。

只要有上边包车型大巴输入框

3.鼠标动作

操作页面包车型客车升华和落后功用:

下载selenium webdriver ‘geckodriver.exe’,下载好前贮存python目录里面

一个浏览器料定会有无数窗口,所以我们明确要有措施来贯彻窗口的切换。切换窗口的点子如下:

本文由全球彩票历史版本发布于新闻动态,转载请注明出处:python爬虫入门

关键词:

上一篇:导师呕心沥血帮我整理出最全Python面试题
下一篇:没有了