爬虫

2018-01-17 本文已影响0人以后的以后_hzh

目录清单

[x] . selenium和phantomjs概述
[x] . selenium常用API
[x] . 案例操作：模拟登陆csdn

课程内容

1. selenium和phantomJS是什么东西

selenium是一套web网站自动化测试工具，主要通过命令行的操作完成常规可视化界面下的用户各种操作行为，因为其简单易学成本低，并且执行测试效率较高而在web自动化测试方面比较突出，该库可以直接运行操作各种主流浏览器，辅助浏览器自动完成表单互动、鼠标点击、鼠标拖拽、窗口切换等等各种用户行为，是一套非常好用且强大的测试库，但是selenium没有内置的浏览器模块，不能独立运行，必须要和第三方浏览器配合使用才可以完成自动化测试操作。

在实际操作的过程中，经常使用selenium和各大主流浏览器共同操作，如谷歌、火狐、IE等等，但是在selenium自动化测试发展过程中，有一个特殊的浏览器经常用于和它配合使用，就是比较出名的无界面浏览器phantomJS。

2. 爬虫、selenium、phantomJS

这时候问题就来了，爬虫中，为什么要涉及到selenium测试工具和无界面浏览器这样的东东呢？

说来话长了

故事背景：那是很久的以前，人们生活在一个非常平和的年代

老李住在人民小区的一所豪宅中，人人互爱互助，路不拾遗夜不闭户已经成了传统

这天，从遥远的他乡来了一个人~老王(爬虫)，禁不住五脏庙的闹腾，终于决定要找点吃的了，他一路独行直接进来了老李家，把老李留给媳妇的无骨炖鸡汤给吃了个精光，然后施施然潇洒的离去了..
[爬虫老王，根据自己需要的数据对于网站服务器老李进行了数据采集，服务器没有任何防范，数据直接被获取到了！]

老李终于回家了，发现有人动了他的鸡汤....于是，晚上老李家传来了老李的惨叫声.
老李吸取教训，应该是有小区之外的人进了小区，于是跟守门大妈说了一句，以后进门的人一定要问问有木有门卡(备注：门卡是小区住户才有的一种身份卡片)，有卡才让进小区，否则不允许进入
[服务器老李由于数据无端泄露导致出现了安全问题，于是进行了简单的升级防范，针对所有进行访问的用户验证其User-agent，如果User-agent不合适则禁止访问]

老王这天又饿的不行了，但是进小区时发现大妈竟然要查牌，好吧，_{老王找到小区的某个人，请它吃了顿饭，顺便看了看门卡长的什么样子，然后自己偷偷去做了一张一模一样的卡片，然后} 老王又进去了老李家，半夜_{小区又传来了老李的惨叫}~~
[爬虫老王通过抓包工具进行了服务器请求的抓包，分析了请求中的各项参数，在请求头中添加了浏览器的User-agent的值，再次访问服务器，顺利拿到了需要采集的数据]

老李愤慨于老王的行为，再次跟门口大妈说了说，家里的东西又被人动了，大妈回忆了一下这几天的情况，发现老王频繁的进入小区，于是大妈针对每天频繁进入小区的人单独进行了登记，注意防范，一旦出现就坚决不允许这样的人再进入小区
[服务器老李针对再次数据泄露，认识到了可能有非法用户多次采集数据造成的，于是针对限定时间频繁访问数据的操作进行了屏蔽，如果出现1分钟内访问次数超过30次的直接屏蔽ip地址]

<> -------------
老王这天来到小区门口，发现和他一样的老孙饿的皮包骨头，很诧异的问老孙什么情况，老孙据实说了实际情况，老孙已经进了大妈的黑名单，再也不能进小区觅食了！老王发现了这个问题之后，于是~每天只进入一次小区，还跟大妈很热情的打招呼呢.....老李是彻底的愤怒了，家里的吃的虽然没有像之前丢的那么频繁，但是终归还是丢了特别重要的部分，半夜时分，老李的惨叫是那么的惨绝人寰[爬虫老王限制了爬虫访问服务器的时间，根据正常用户的发送请求的时间，限制了不同爬取请求之间的休眠时间，尽管采集数据较慢，但是同样得到了数据]

<> -------------
老李这次学乖了，出门的时候给家里上锁了,在也不愁数据数据再次丢失的问题了[服务器老李在请求参数中，添加了一个加密字段，如果参数中包含了正确的加密字段，就允许访问数据，如果参数中没有标注则拒绝访问]

老王已经饿了太多天了

老王找到了传说中的某个大师，跟他学了旷古绝技，于是在某个艳阳高照的晴天，再次进了老李家....这天半夜，老李默默的坐了一个晚上[爬虫针对加密数据进行了分析追踪，得到了加密的具体流程，于是进行了加密字段的重现，将加密数据通过请求传递给了服务器，顺利获取到了数据]

<> -------------
老李根据自己的需要，换了指纹密码锁[服务器针对数据安全问题，进行了再次升级，对数据进行了混淆编码的同时，通过混淆编码进行了多重加密操作，同时进行了多个字段的数字指纹签名操作，如果请求中不包含这些数据的情况下，拒绝提供数据]

<>-------------
老王看着紧锁的大门，想了很久....

这天老李家来了客人，好酒好菜两人畅谈甚久，夜幕时分，老王施施然从老李家走了出来，身旁就是老李相送[客户端老王看到服务器老李已经做了非常复杂的反爬虫操作，于是权衡之后不再做反扒操作，直接让自己变成了正式用户发送请求，同样获取到了数据]

而这里涉及到的正式用户的请求，就是直接通过浏览器发送请求访问服务器，用到的浏览器就是phantomJS无界面浏览器，通过selenium测试工具发送请求操作访问过程获取数据

准备工作：selenium和PhantomJS
phantomjs：一个独立的无界面浏览器，并不是python模块，所以需要单独下载安装；phantomjs官方网站：http://phantomjs.org/

selenium：独立的第三方模块，通过pip install selenium进行安装

3. selenium核心API

selenium.webdriver
- selenium核心驱动模块，主要包含了web服务相关的核心操作，可以调用指定的服务器
  - 如：driver = selenium.webdriver.PhantomJS()
  - 如：driver = selenium.webdriver.Chrome()
- 接续：浏览器填写url地址访问文章：
  - driver.get("http://www.baidu.com")
- 接续：获取标签对象
  - find_element_by_id()
    - 根据标签编号查询标签对象
    - <div id="box">...</div>
    - driver.find_by_element_by_id("box")
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_element(by=By.ID, value='box')
  - find_elements_by_name()
    - 根据标签的name属性只查询标签对象
    - <div name="real_name"></div>
    - driver.find_elements_by_name("real_name")
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_elemnets(by=By.NAME, value='real_name')
  - find_elemnets_by_xpath()
    - 根据xpath语法查询指定的标签
    - driver.find_elements_by_xpath('//input[id="kw"]')
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_elements(by=By.XPATH, value='//input[@id="kw"]')
  - find_elements_by_link_text()
    - 根据超链接标签链接文本查询标签
    - driver.find_elements_by_link_text('damu')
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_elements(by=By.LINK_TEXT, value='damu')
  - find_elemetns_by_partial_link_text()
    - 根据超链接标签链接文本扩展查询标签
    - driver.find_elements_by_partial_link_text('damu')
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_elements(by=By.PARTIAL_LINK_TEXT, value='damu')
  - find_elements_by_tag_name()
    - 根据标签名称查询标签
    - driver.find_elements_by_tag_text('damu')
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_elements(by=By.TAG_NAME, value='damu')
  - find_elements_by_class_name()
    - 根据标签的class名称查询标签
    - driver.find_elements_by_class_name("")
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_elements(by=By.CLASS_NAME)
  - find_elements_by_css_selector()
    - 根据标签的样式名称查询得到标签
    - driver.find_elements_by_css_selector("#box > div")
    - 同下：
    - from selenium.webdriver.common.by import By
    - driver.find_elements(by=By.CSS_SELECT, value='#box')
selenium.webdirver.common.keys.Keys
- selenium用于操作用户键盘的核心模块
- 表单处理：输入框填写数据
  - 选择输入框：kw = driver.find_element_by_id("kw")
  - 输入数据：kw.send_keys(u"关键字")
- 表单处理：下拉列表框选择数据
  - from selenium.webdriver.support.ui import Select
  - 选择下拉框：sl = Select(driver.find_element_by_id("city"))
  - 输入选择的值：
    - sl.select_by_index(1) # 根据值的索引赋值
    - sl.select_by_value("zhengzhou") # 根据具体下拉框的value赋值
    - sl.select_by_visible_text("郑州")# 根据下拉框显示的值赋值
    - sl.deselect_all() # 全部取消
- 键盘按键：功能键+字母按键
  - from selenium.webdriver.common.keys import Keys
  - driver.find_element_by_id("kw").send_keys(Keys.CONTROL, "a")# ctrl+a全选
    - ALT:alt按键
    - NUMBER1：数字键1
    - LFET：←左方向键
    - F1：功能键F1
    - 更多more~
selenium.webdriver.ActionChains
- 该模块包含了和鼠标操作相关的行为
- 模拟鼠标单击
  - driver.find_element_by_id("su").click()
- 鼠标链操作
  - from selenium.webdriver import ActionChains # 引入鼠标模块
  - su = driver.find_element_by_id("su") # 获取标签对象
  - ActionChains(driver).move_to_element(su).perform()# 鼠标移动到对象上
  - ActionChains(driver).move_to_element(su).click(su).perform()# 鼠标单击
  - ActionChains(driver).move_to_element(su).double_click(su).perform()# 鼠标双击
  - ActionChains(driver).move_to_element(su).context_click(su).perform()# 鼠标右键单击
  - ActionChains(driver).move_to_element(su).click_to_hold(su).perform()# 鼠标单击并按住
  - pos1 = driver.find_element_by_element("pos1")
  - pos2 = driver.find_element_by_element("pos2")
  - ActionChains(driver).drag_and_drop(pos1, pos2).perform() # 鼠标将pos1脱拽到pos2的位置
页面窗口操作
- driver.switch_to.window("window name")# 窗口诶切换
- driver.forward()# 导航前进
- driver.back()# 导航后退
cookie操作
- driver.get_cookies()获取当前正在访问url地址的所有cookies数据
- driver.delete_cookie(key)根据key值删除对应的cookie数据
- driver.delete_all_cookies()清空cookie

网页延时：针对网页中通过Ajax异步加载Json数据的情况，不同的网速下返回Json数据并渲染页面会有延迟，网页中并不一定能正常获取数据，需要延时操作

显式等待

# coding:utf-8
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdirver.support import except_conditions as EC

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

try:
    # 获取标签：间隔10S获取标签~一直等待到标签获取成功
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "box"))
    )
finally:
    driver.quit()

这里的等待条件，就是except_conditions调用时执行的函数，内置如下条件可以直接调用

title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable – it is Displayed and Enabled.
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present

隐时等待：设置一个等待时间即可

# coding:utf-8
from selenium import webdriver 

driver = webdriver.PhantomJS()

driver.implicitly_wait(10)

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

driver.find_element_by_id("su")

以上，是selenium核心的几个API操作方式

案例：CSDN登录

真实用户登录CSDN场景：

用户打开浏览器，访问并打开csdn登录网页
填写账号、密码，点击登录
进入CSDN主页

selenium配合phantomjs完成登录操作，并保存数据到文件中

# coding:utf-8

from selenium import webdriver

driver = webdriver.PhantomJS("./phantomjs-2.1.1/bin/phantomjs")

# 访问登录页面
driver.get("https://passport.csdn.net/account/login?ref=toolbar")
# 保存登录页面截图
driver.save_screenshot("csdn1.png")

# 获取登录 用户输入框、密码输入框
u_name = driver.find_element_by_id("username").send_keys("damumoye")
p_word = driver.find_element_by_id("password").send_keys("********")

# 模拟点击登录
login_btn = driver.find_element_by_css_selector("#fm1 .logging")
login_btn.click()
# 保存登录后的截图
driver.save_screenshot("csdn2.png")

# 保存数据
with open("csdn.html", "w") as f:
    f.write(driver.page_source.encode("utf-8"))

# 退出浏览器
driver.quit()

爬虫