新金沙3777

让浏览器自动加载页面

十二月 12th, 2019  |  未分类

爬虫(Spider卡塔尔(英语:State of Qatar),反爬虫(Anti-Spider卡塔尔(英语:State of Qatar),反反爬虫(Anti-Anti-Spider)之间恢宏壮阔的麻木不仁争…

  • 小莫想要某站上全体的电影,写了正规的爬虫(基于HttpClient库卡塔尔(قطر‎,不断地遍历某站的影视列表页面,依据Html 解析电影名字存进自身的数据库。

  • 本条站点的运行小黎发掘有个别时间段恳求量陡增,剖判日志发掘都以IP(xxx.xxx.xxx.xxx卡塔尔(英语:State of Qatar)这些客商,并且 user-agent 仍旧Python-urllib/2.7 ,基于这两点判别非人类后直接在服务器上封闭肃清。

  • 小莫电影只爬了十分之五,于是也针没有错转换了下攻略:1. user-agent
    效仿百度(“Baiduspider…”卡塔尔(قطر‎,2. IP每爬半个钟头就换二个IP代理。

  • 小黎也发觉了相应的变迁,于是在服务器上设置了一个功效限定,每分钟当先123回号召的再屏蔽IP。
    同一时间思忖到百度家的爬虫有希望会被误伤,出主意市集部门每月几十万的投放,于是写了个本子,通过
    hostname 检查下这些 ip 是或不是真的百度家的,对这几个 ip
    设置四个白名单。

  • 小莫发掘了新的界定后,想着作者也不急着要这一个数据,留给服务器稳步爬吧,于是改过了代码,随机1-3秒爬二回,爬十二次平息10秒,天天只在8-12,18-20点爬,隔几天还平息一下。

  • 小黎瞧着新的日志头都大了,再设定法规比异常的大心会损伤真实顾客,于是希图换了一个思路,当3个小时的总乞求抢先肆十六次的时候弹出叁个验证码弹框,未有准确输入的话就把
    IP 记录进黑名单。

  • 小莫看见验证码某个傻脸了,可是亦不是平昔不章程,先去上学了图像识别(关键词
    PIL,tesseract),再对验证码举办了二值化,分词,形式操练之后,总来说之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一个扩大壮丽的创新非凡产物史…),之后爬虫又跑了起来。

  • 小黎是个坚强的好同学,见到验证码被攻破后,和开垦同学钻探了调换下开荒格局,数据并不再直接渲染,而是由前端同学异步获取,并且经过
    JavaScript 的加密库生成动态的 token,同有的时候候加密库再扩充模糊。

  • 似是而非过的加密库就未有章程了么?当然不是,能够稳步调节和测验,找到加密原理,可是小莫不筹划用那样耗费时间耗力的秘籍,他放任了基于
    HttpClient的爬虫,选择了安置浏览器引擎的爬虫(关键词:PhantomJS,Selenium卡塔尔国,在浏览器引擎运转页面,直接拿走了合情合理的结果,又三遍取得了对方的数量。

  • 小黎:…..

Selenium

 Selenium是一个Web的自动化测试工具,最先是为网址自动化测量试验而支出的,类型像大家玩游戏用的按钮Smart,能够按钦赐的授命自动操作,不一致是Selenium
能够直接运转在浏览器上,它协助具备主流的浏览器(包涵PhantomJS那几个无分界面包车型地铁浏览器)。

Selenium
能够依照大家的通令,让浏览器自动加载页面,获取供给的多寡,甚至页面截屏,或许剖断网址上一点动作是或不是爆发。

Selenium
本人不带浏览器,不补助浏览器的机能,它须求与第三方浏览器结合在一块儿技艺使用.

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

firefox的目录也要增加到景况变量中

Selenium Curry有个叫 WebDriver 的
API。WebDriver 有一些儿像能够加载网址的浏览器,但是它也能够像
BeautifulSoup 或然此外 Selector
对象相像用来搜索页面成分,与页面上的因素举办相互(发送文书、点击等卡塔尔(قطر‎,以至实行其它动作来运作互连网爬虫。

selenium快捷入门

#!/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

假诺有下边包车型地铁输入框

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

追寻办法

# 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.稳住元素的法子

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

碰着下来框需求选取操作时,Selenium特地提供了Select类来拍卖下拉框

# 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")

如上是三种选拔下拉框的主意,它能够依赖目录来筛选,可以依据值来选用,能够依赖文字来抉择。注意:

  • index 索引从 0 开始
  • value是option标签的三个属性值,并非呈现在下拉框中的值
  • visible_text是在option标签文本的值,是呈现在下拉框的值

所有事撤废方法

select.deselect_all()

5.弹窗管理

当页面现身了弹窗提醒

alert = driver.switch_to_alert()

6.页面切换

四个浏览器料定会有不菲窗口,所以大家一定会就要有办法来兑现窗口的切换。切换窗口的章程如下:

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

7.页前边行和倒退

新金沙3777 ,操作页面包车型地铁升华和退化功用:

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—>>>爬取冷眼观看鱼所有房间名,听大伙儿数

(1)首先分析‘’下豆蔻梢头页‘’的class变化,假设不是终极黄金时代页的时候,‘下生机勃勃页’的class如下

十大正规网赌网址 , 新金沙3777 1

(2)假设到了最后大器晚成页,‘下生龙活虎页’变为隐蔽,点击不了,class变为如下

新金沙3777 2

(3)找到个房子的名字和观众人数的class

新金沙3777 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:

新金沙3777 4

 

相关文章

Your Comments

近期评论

    分类目录

    • 没有分类目录

    功能


    网站地图xml地图