爬虫-(3)

最新推荐文章于 2024-10-05 08:53:18 发布

AL_QX

最新推荐文章于 2024-10-05 08:53:18 发布

阅读量261

点赞数

文章标签：爬虫前端 python

本文链接：https://blog.csdn.net/AL_QX/article/details/128039780

版权

内容概览

bs4搜索文档树
css选择器
selenium基本使用
无界面浏览器
selenium其他用法
selenium登录获取cookie
抽屉半自动点赞

bs4搜索文档树

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title">asdfasdf<b id="bbb" class="boldest">The Dormouse's story</b>
</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc, 'lxml')

"""
搜索文档树:
    find:获取第一个
    find_all:获取所有
    
有5种搜索方式:字符串、正则表达式、列表、True、方法
"""

# 1. 字符串:可以按照标签名,属性名查找
res = soup.find(name='a', id='link2')  # 查找id为link2的a标签
print(res)  # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>

res = soup.find(href='http://example.com/tillie')  # 查找href属性为指定值的标签
print(res)  # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

res = soup.find(class_='story')  # 查找第一个类为story的标签
print(res)

res = soup.body.find('p')  # 可以和遍历结合使用
print(res)

res = soup.body.find(string='Elsie')
print(res)  # Elsie

res = soup.find(attrs={'class': 'sister'})  # 按类查找
print(res)  # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>


# 2. 正则表达式:标签名,属性可以使用正则匹配
import re

res = soup.find_all(name=re.compile('^b'))  # 查找以b开头的标签
print(res)

res = soup.find_all(href=re.compile('^http'))
for item in res:
    url = item.attrs.get('href')
    print(url)
# request-html    获取到页面中所有的链接地址
res = soup.find(attrs={'href': re.compile('^a')})
print(res)


# 3. 列表  标签名，属性名  等于列表  或条件
res = soup.find_all(class_=['story', 'sister'])  # 或条件,class包含story或sister
print(res)
res = soup.find_all(name=['a', 'p'])  # 或条件,a或p标签
print(res)


# 4. True  标签名，属性名  等于布尔
res = soup.find_all(name=True)  # 有标签名的所有标签
print(res)

# 拿出页面中所有图片
res = soup.find_all(src=True)
for item in res:
    url = item.attrs.get('href')
    print(url)


# 5. 方法  标签名或属性名 = 方法
def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')


print(soup.find_all(has_class_but_no_id))


"""
find_all的其他属性:
    limit:限制查找条数
    recursive:只找一层(子标签)
"""
res = soup.find_all(name='a', limit=2)  # find的本质是find_all + limit=1
print(res)

res = soup.body.find(name='p', id=False).find_all(name='a', recursive=False)
print(res)

"""bs4还可以修改文档树"""

css选择器

"""bs4可以还使用css选择器选择标签"""

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title">asdfasdf<b id="bbb" class="boldest">The Dormouse's story</b>
</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'lxml')
res = soup.select('a')  # 通过标签查找
print(res)

res = soup.select('#link1')  # 通过id查找
print(res)

res = soup.select('.sister')  # 通过类查找
print(res)

res = soup.select('body>p>a')  # 查找body下的p下的a标签
print(res)
# 只需要会了css选择，几乎所有的解析器[bs4,lxml...],都会支持css和xpath

res=soup.select('body>p>a:nth-child(2)')  # 获取符合条件的第二个a标签
print(res)

res=soup.select('body>p>a:nth-last-child(1)')  # 获取符合条件的倒数第一个a标签
print(res)


res=soup.select('a[href="http://example.com/tillie"]')  # 通过属性查找标签
print(res)

"""
1. 标签名
2. .类名
3. #id号
4. body a   body下子子孙孙中得a
5. body>a  body下子的a，没有孙
6. 其他的参照css选择器
"""

selenium基本使用

"""
requests:
	发送http请求获取数据,获取数据是xml使用bs4解析,解析出我们想要的数据
		-使用requests获取回来的数据，跟直接在浏览器中看到的数据，可能不一样
		-requests不能执行js
		-如果使用requets，需要分析当次请求发出了多少请求，每个都要发送一次，才能拼凑出网页完整的数据

selenium 操作浏览器,控制浏览器,模拟人的行为;移动端:appnium
	selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题
	selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器
"""
# 使用:
	-安装模块:pip install selenium
	-下载浏览器驱动:selenium操作浏览器,需要有浏览器
	-谷歌浏览器驱动:https://registry.npmmirror.com/binary.html?path=chromedriver/
	-下载与浏览器对应的驱动
	-代码测试
		import time
		
		from selenium import webdriver
		
		# 打开一个浏览器
		bro = webdriver.Chrome(executable_path='./chromedriver.exe')  # 驱动放到环境变量中，就不用传这个参数了
		bro.get('http://www.baidu.com/')  # 在地址栏输入 网站
		time.sleep(3)  # 关闭tab页
		bro.close()  # 关闭浏览器

无界面浏览器

"""
做爬虫,不需要打开浏览器
谷歌支持无头浏览器,后台运行,没有浏览器的图形化(GUI)界面
"""

import time

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()

# chrome_options.add_argument('window-size=1920x3000')  # 指定浏览器分辨率
# chrome_options.add_argument('--disable-gpu')  # 谷歌文档提到需要加上这个属性来规避bug
# chrome_options.add_argument('--hide-scrollbars')  # 隐藏滚动条, 应对一些特殊页面
# chrome_options.add_argument('blink-settings=imagesEnabled=false')  # 不加载图片, 提升速度
chrome_options.add_argument('--headless')  # 浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败
# chrome_options.binary_location = r"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe"  # 手动指定使用的浏览器位置

bro = webdriver.Chrome(options=chrome_options)

bro.get('http://www.jd.com/')
print(bro.page_source)  # 浏览器中看到的页面的内容

time.sleep(1)
bro.close()

selenium其他用法

获取位置属性大小，文本

# 查找标签
bro.find_element(by=By.ID,value='id号')
bro.find_element(by=By.LINK_TEXT,value='a标签文本内容')
bro.find_element(by=By.PARTIAL_LINK_TEXT,value='a标签文本内容模糊匹配')
bro.find_element(by=By.CLASS_NAME,value='类名')
bro.find_element(by=By.TAG_NAME,value='标签名')
bro.find_element(by=By.NAME,value='属性name')
# -----通用的----
bro.find_element(by=By.CSS_SELECTOR,value='css选择器')
bro.find_element(by=By.XPATH,value='xpath选择器')

# 获取标签位置，大小
print(code.location)
print(code.size)
-------
print(code.tag_name)
print(code.id)

from selenium import webdriver
from selenium.webdriver.common.by import By
import time
import base64
bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://kyfw.12306.cn/otn/resources/login.html')
# # bro.get('https://www.jd.com/')
# bro.implicitly_wait(10)
# # bro.maximize_window()
#
# # 找到扫码登录的标签，搜索标签
# bro.find_element(by=By.ID,value='id号')
# bro.find_element(by=By.LINK_TEXT,value='a标签文本内容')
# bro.find_element(by=By.PARTIAL_LINK_TEXT,value='a标签文本内容模糊匹配')
# bro.find_element(by=By.CLASS_NAME,value='类名')
# bro.find_element(by=By.TAG_NAME,value='标签名')
# bro.find_element(by=By.NAME,value='属性name')
# # -----通用的----
# bro.find_element(by=By.CSS_SELECTOR,value='css选择器')
# bro.find_element(by=By.XPATH,value='xpath选择器')
#
#
a = bro.find_element(by=By.LINK_TEXT, value='扫码登录')
# a = bro.find_element(by=By.CSS_SELECTOR, value='.login-hd-account>a')
a.click()
# code = bro.find_element(by=By.ID, value='J-qrImg')
code = bro.find_element(by=By.CSS_SELECTOR, value='#J-qrImg')
#
#
# # code = bro.find_element(by=By.CSS_SELECTOR, value='.logo_scene_img')
# # print(code)
#
# # 方案一：通过位置，和大小，截图截出来
print(code.id)
print(code.location)
print(code.tag_name)
print(code.size)
# # 方案二：通过src属性获取到图片
print(code.location)
print(code.size)
print(code.id)  # 不是标签的id号
print(code.tag_name)  # 是标签的名字
s = code.get_attribute('src')
print(s)
with open('code.png','wb') as f:
    res=base64.b64decode(s.split(',')[-1])
    f.write(res)

time.sleep(3)

bro.close()

等待元素被加载

# 代码执行很快，有些标签还没加载出来，直接取，取不到
# 等待
	-显示等待：一般不用，需要指定等待哪个标签，如果标签很多，每个都要设置比较麻烦
    -隐士等待：
    	bro.implicitly_wait(10)
        find找标签的时候，如果找不到，等最多10s钟

元素操作

# 点击
标签.click()
# input写文字
标签.send_keys('文字')
#input清空文字
标签.clear()

# 模拟键盘操作
from selenium.webdriver.common.keys import Keys
input_search.send_keys(Keys.ENTER)

执行js代码

# 在页面中执行js代码
import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.jd.com/')

# 1 能干很多事情，打印了cookie
# bro.execute_script('alert(document.cookie)')

# 2 滚动页面，到最底部
# 一点点滑动
# for i in range(10):
#     y=400*(i+1)
#     bro.execute_script('scrollTo(0,%s)'%y)
#     time.sleep(1)
# 一次性直接滑动到最底部
bro.execute_script('scrollTo(0,document.body.scrollHeight)')

time.sleep(3)
bro.close()

切换选项卡

import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.jd.com/')

# 使用js打开新的选项卡
bro.execute_script('window.open()')

# 切换到这个选项卡上,刚刚打开的是第一个
bro.switch_to.window(bro.window_handles[1])
bro.get('http://www.taobao.com')
time.sleep(2)
bro.switch_to.window(bro.window_handles[0])

time.sleep(3)
bro.close()
bro.quit()

浏览器前进后退

import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.jd.com/')

time.sleep(2)
bro.get('https://www.taobao.com/')

time.sleep(2)
bro.get('https://www.baidu.com/')

# 后退一下
bro.back()
time.sleep(1)
# 前进一下
bro.forward()
time.sleep(3)
bro.close()

异常处理

from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
try:
	pass
except Exception as e:
    print(e)
finally:
    bro.close()

小案例

from selenium import webdriver
from selenium.webdriver.common.by import By
import time

bro = webdriver.Chrome(executable_path='./chromedriver.exe')

bro.get('http://www.baidu.com')
bro.implicitly_wait(10) # 等待，找一个标签，如果标签没加载出来，等一会
bro.maximize_window() # 全屏
# 通过 a标签文字内容查找标签的方式
a = bro.find_element(by=By.LINK_TEXT, value='登录')
# 点击标签
a.click()

# 页面中id唯一，如果有id，优先用id
input_name = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__userName')
# 输入用户名
input_name.send_keys('33333@qq.com')

time.sleep(1)

input_password = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__password')
input_password.send_keys('123456')
time.sleep(1)

input_submit = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__submit')
# 点击
input_submit.click()
time.sleep(5)

bro.close()

selenium登录获取cookie

# 操作浏览器，登录成功就可以拿到登录成功的cookie，保存到本地
# 如果有很多小号，会有很多cookie，搭建cookie池

import time

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
import json


# 登录过程
# bro = webdriver.Chrome(executable_path='./chromedriver.exe')
# bro.get('https://www.cnblogs.com/')
# bro.implicitly_wait(10)
# try:
#     # 找到登录按钮
#     submit_btn = bro.find_element(By.LINK_TEXT, value='登录')
#     submit_btn.click()
#     time.sleep(1)
#     username = bro.find_element(By.ID, value='mat-input-0')
#     password = bro.find_element(By.ID, value='mat-input-1')
#     username.send_keys("616564099@qq.com")
#     password.send_keys('sadfasdfads')
#
#     submit = bro.find_element(By.CSS_SELECTOR,
#                               value='body > app-root > app-sign-in-layout > div > div > app-sign-in > app-content-container > div > div > div > form > div > button')
#
#     time.sleep(20)
#     submit.click()
#     # 会有验证码，滑动，手动操作完了，敲回车，程序继续往下走
#     input()
#     # 已经登录成功了
#
#     cookie = bro.get_cookies()
#     print(cookie)
#     with open('cnblogs.json', 'w', encoding='utf-8') as f:
#         json.dump(cookie, f)
#
#     time.sleep(5)
# except Exception as e:
#     print(e)
# finally:
#     bro.close()




#  打开cnblose，自动写入cookie，我就是登录状态了
bro = webdriver.Chrome(executable_path='./chromedriver.exe')
bro.get('https://www.cnblogs.com/')
bro.implicitly_wait(10)
time.sleep(3)
# 把本地的cookie写入，就登录了
with open('cnblogs.json','r',encoding='utf-8') as f:
    cookie=json.load(f)

for item in cookie:
    bro.add_cookie(item)


# 刷新一下页面
bro.refresh()
time.sleep(10)
bro.close()

抽屉半自动点赞

# 使用selenium登录到抽屉，获取到，使用requests，自动点赞
	-使用requests登录，非常难登录，因为有验证码


from selenium import webdriver
from selenium.webdriver.common.by import By
import time
import json
import requests

bro = webdriver.Chrome(executable_path='./chromedriver.exe')

bro.get('https://dig.chouti.com/')
bro.implicitly_wait(10)
try:
    submit = bro.find_element(by=By.ID, value='login_btn')
    bro.execute_script("arguments[0].click()", submit)
    # submit.click() # 有的页面button能找到，但是点击不了，报错，可以使用js点击它
    time.sleep(2)
    username = bro.find_element(by=By.NAME, value='phone')
    username.send_keys('18953675221')
    password = bro.find_element(by=By.NAME, value='password')
    password.send_keys('lqz123')
    time.sleep(3)
    submit_button = bro.find_element(By.CSS_SELECTOR,
                                     'body > div.login-dialog.dialog.animated2.scaleIn > div > div.login-footer > div:nth-child(4) > button')
    submit_button.click()

    # 验证码
    input()
    cookie = bro.get_cookies()
    print(cookie)
    with open('chouti.json', 'w', encoding='utf-8') as f:
        json.dump(cookie, f)

    # 找出所有文章的id号
    div_list = bro.find_elements(By.CLASS_NAME, 'link-item')
    l = []
    for div in div_list:
        article_id = div.get_attribute('data-id')
        l.append(article_id)



except Exception as e:
    print(e)

finally:
    bro.close()

#  继续往下写，selenium完成它的任务了，登录---》拿到cookie，使用requests发送[点赞]

print(l)

with open('chouti.json', 'r', encoding='utf-8')as f:
    cookie = json.load(f)
# 小细节，selenium的cookie不能直接给request用，需要有些处理
request_cookies = {}
for item in cookie:
    request_cookies[item['name']] = item['value']
print(request_cookies)
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'
}
for i in l:
    data = {
        'linkId': i
    }
    res = requests.post('https://dig.chouti.com/link/vote', data=data, headers=header, cookies=request_cookies)
    print(res.text)