selenium对接代理与seleniumwire访问开发者工具NetWork

之前我在《使用MitmProxy离线缓存360度全景网页》一文中演示了如何搭建python代理服务器MitmProxy。

但之前是纯手工访问网页缓存数据，如果我们希望能够自动访问网页并对接代理下载数据，可以通过selenium控制游览器实现自动访问。

对接selenium的代理服务器，有种用法是使用 browsermobproxy，它基于Java开发，需要在https://chromedevtools.github.io/devtools-protocol/tot/Network/下载对应文件。

参考：https://blog.csdn.net/u010741112/article/details/118674293

不过个人在研究后发现它只是一个基于Java开发的代理服务器，对编码的处理不够准确经常出现乱码，而且难以还原。

解决他的乱码问题，得添加Java代码的拦截器设置编码，例如设置文本都以GBK编码解码：

proxy = server.create_proxy()  
# 根据实际网站设置
proxy.response_interceptor('''
    if (contents.isText() ) {
        response.headers().set("Content-Type", "text/json;charset=GBK");
    }
''')

整体而言，个人感觉很难用。远远不如selenium直接对接MitmProxy代理用的方便。

selenium使用代理服务器的代码示例：

from selenium import webdriver

option = webdriver.ChromeOptions()
option.add_argument(f'--proxy-server=127.0.0.1:8080')
browser = webdriver.Chrome(options=option)
browser.get('https://www.baidu.com/')

这样只有我们就通过MitmProxy代理服务器获取所有经过selenium控制的游览器访问的数据，这样我们同时还实现自动化控制和数据获取之间的解耦，mitmdump加载的脚本专门复杂拦截数据并处理，selenium代码专门负责自动化控制。

而今天我要介绍的是seleniumwire这个库，关于这个库的完整用法可以参考：https://pypi.org/project/selenium-wire/

安装：

pip install selenium-wire

注意：Linux和Mac系统必须额外安装openssl用于解码https的数据。

CentOS：yum install openssl

Mac：brew install openssl

这个库基本上可以使用被控制的游览器访问留下的历史记录，可随意的下载，但是默认仅保存原始的字节数据，若遇到压缩数据需要自行解压。

下面我们以网易财经的行情中心数据演示一下，完整代码如下：

from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait
from seleniumwire import webdriver
import json
import gzip
import time
import pandas as pd

browser = webdriver.Chrome()

browser.get('http://quotes.money.163.com/old/#query=dy019000&DataType=HS_RANK&sort=PERCENT&order=desc&count=24&page=0')
wait = WebDriverWait(browser, 30)
# 等待表格组件加载完毕
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, "table.ID_table")))

def fetch_data():
    for request in reversed(browser.requests):
        if not request.url.startswith("http://quotes.money.163.com/hs/service/diyrank.php"):
            continue
        res = request.response
        if not res or res.status_code != 200:
            continue
        if res.headers["content-encoding"] == "gzip":
            # gzip解压
            res.body = gzip.decompress(res.body)
        return json.loads(res.body.decode('u8'))
        
def wait_loading():
    "等待 等待组件的消失"
    for _ in range(150):
        if not browser.find_elements_by_css_selector("div.loading-cover"):
            break
        time.sleep(0.2)
        

data = []
for i in range(100):
    wait_loading()  # 等待加载完毕
    page = fetch_data()  # 从历史游览记录中获取数据
    if page:
        print(i, len(page['list']), page['list'][0]['CODE'])  # 检测数据
        data.extend(page['list'])  # 插入数据
    a_tag = browser.find_element_by_css_selector(
        "div.ID_pages a:nth-last-of-type(1)")
    del browser.requests  # 清空游览器缓存
    if a_tag.text != "下一页":
        break
    a_tag.click()
df = pd.DataFrame(data)
df

1048 rows × 25 columns

重点代码解释：

if res.headers["content-encoding"] == "gzip":
	res.body = gzip.decompress(res.body)

这段代码实现对gzip压缩的网络数据进行自动解压，若存在其他类型的压缩还需要编写针对性代码，通用的解压缩代码：

import gzip
import zlib
import brotli

content_encoding = res.headers["content-encoding"]
if content_encoding == "gzip":
    res.body = gzip.decompress(res.body)
elif content_encoding == "deflate":
    res.body = zlib.decompress(res.body)
elif content_encoding == "br":
    res.body = brotli.decompress(res.body)

wait_loading方法用于检测数据是否已经加载完毕，原理时每隔0.2秒查看一下loading组件是否还存在，不存在则说明加载数据的过程已经结束。

browser.requests缓存了游览器在访问过程获取的所有数据，就好像游览器开发者工具的Network，reversed(browser.requests)的目的是倒着查看数据，即优先查看最新获取的数据。通过这次方式，即使不清理历史缓存，也能较为正确获取数据。

del browser.requests的作用是清理缓存，目的是在下一次点击访问前先清理历史缓存，从而使数据获取的速度变得更快。