【爬虫系列】Python 爬虫入门（2）

接上篇，继续梳理 Python 爬虫入门的知识点。这里将重点说明，如何识别网站反爬虫机制及应对策略，使用 Selenium 模拟浏览器操作等内容，干货满满，一起学习和成长吧。

1、识别反爬虫机制及应对策略

1.1 测试网站是否开启了反爬虫

随着互联网技术的日益革新，大多数的网站都会使用反爬虫机制。我们在爬取目标页面之前，第一步就是要识别需不需要应对网站的反爬虫，常见的测试方式有：

<1>、使用 requests 模块提供的 API

# 以get方式发送请求，暂时不加入请求头
response = requests.get(url)
if response.status_code != 200:
    print(f"网站开启了发爬虫机制，响应状态为{status_code}")

<2>、使用爬虫框架提供的测试命令

以 Scrapy 框架为例，需先下载该依赖（pip install Scrapy），接着在 CMD 命令行 或 其他终端键入测试命令： 

Scrapy shell 目标url

如果上述的测试返回响应码为200，说明网站不存在反爬虫机制，如果是其他的响应码类型，需要具体分析对应哪种反爬虫机制。

响应状态码

这里，顺带普及下响应状态码 Status Code 的内容，它是用 3 位十进制数表示，以代码的形式表示服务器对请求的处理结果。现行的 RFC 标准把状态码分成了五类，用数字的第一位表示分类，范围在100~599 之间。这五类的具体含义，如下：

1××：提示信息，表示目前是协议处理的中间状态，还需要后续的操作；
2××：成功，报文已经收到并被正确处理；
3××：重定向，资源位置发生变动，需要客户端重新发送请求；
4××：客户端错误，请求报文有误，服务器无法处理；
5××：服务器错误，服务器在处理请求时内部发生了错误。

最常用的状态码有，200（成功），301（永久移动），302（临时移动），400（错误请求），401（未授权），403（请求被禁止），404（未找到），500（服务器内部错误）。使用爬虫过程中，遇到最多的则是 200 和 403 了。

当然，目前 RFC 标准里总共有 41 个状态码，但状态码定义是开放的，允许自行扩展。因此像 Apache、Nginx 等 Web 服务器都定义了一些专有的状态码。如果自己开发 Web 应用的话，也可以在不冲突的前提下定义项目专有的状态码。

1.2 User-Agent检查

在上篇已经介绍过，检查 User-Agent 是一种最简单且最常见的反爬虫策略，网站会检查发送的请求中是否存在请求头信息，如果检查不存在的话，网站服务器会拒绝请求！

应对策略也很简单，发送请求的时候加上请求头信息即可，如下：

import requests
from fake_useragent import UserAgent


# 请求头
headers = UserAgent(path="D:\\XXX\\reptile\\fake_useragent.json").google
# 发送请求
response = requests.get(url, headers)
# 获取整个html文档
html = response.text
print(html)

1.3 访问频率检查

通常情况下，人工去点击页面，不会在1s内访问几十甚至上百个网页，也不会有类似 5s/次 访问页面的精确操作，一旦识别到这类情况，网站则会怀疑你是机器人，就会触发反爬虫机制，拒绝这种高频次或精准性的请求操作。

应对这种情况，根据这种机制特征，我们需要设置随机的访问时间间隔，降低请求网站的频率（最好考虑目标网站的访问承受能力，不要把人家搞崩了~）。当然，也可以使用 Selenium 模拟浏览器操作，该模块的使用在后面再详细的说明，这里不展开。

1.4 Session访问限制

我们知道 HTTP 是一种无状态的协议，为了维持客户端与服务器之间的通信状态，使用 Cookie 技术来保持双方的通信状态。有些网站的网页是需要登录才允许爬取数据的，而登录的原理就是浏览器首次通过用户名密码登录之后，服务器给客户端发送一个随机的 Cookie，下次浏览器请求其它页面时，就把刚才的 Cookie 随着请求一起发送给服务器，这样服务器就知道该用户已经是登录用户。

应对这种情况，需要调整下爬虫代码，使用带 Session 会话的请求登陆，然后再访问目标网页，如下：

import requests

# 构建Session会话
session = requests.Session()
# 通过post请求登陆
session.post(login_url, data={username, pwd})
# 访问目标网页
r = session.get(home_url)
# 释放会话资源
session.close()

当构建一个 Session 会话之后，客户端第一次发起请求登录账户，服务器自动把 Cookie 信息保存在 Session 对象中，发起第二次请求时 requests 自动把 Session 中的 Cookie 信息发送给服务器，使之保持通信状态。

1.5 IP访问限制

有些网站为了不让你爬取，可能会精准识别你的 IP 操作。比如，如果发现短时间内该 IP多次访问同一个页面，则会判定你在使用爬虫，触发网站的反爬虫，则会封杀你的 IP（至于永久封杀还是一定时间内不能再次访问，看具体网站的策略了~）。这种情况不好识别，因为当你意识到这种情况时，你当前 IP 可能无法继续访问了。

当然，应对这种情况，通过代理 IP 可以迎刃而解。我们可以爬取网上公开且免费的代理 IP，有了大量代理 IP 后可以每请求几次更换一个 IP，这样就能继续之前的爬虫操作了。

import requests
import re

def get_ip_list(url, headers, pattern):
    ip_list = []
    response = requests.get(url, headers)
    if response.status_code == 200:
        html = response.text
        # 按正则先匹配到提取的范围
        match_all_data = re.findall(pattern, html)
        for i in range(len(match_all_data)):
            # 对每一条url进行精准匹配，可根据具体的情况进行分析
            url = re.findall(pattern, match_all_data[i])
            ip_list.append(url)
    return ip_list

这里，为了能最有效率的利用这些代理 IP，爬取完成后可以考虑放到数据库保存，每次使用时先从数据库里拿。另外，当数据库里可用的代理 IP 数量低于某个阈值时，可以考虑再爬取一批代理 IP，用于更新或补充自己的 IP 池，这样 IP 池里就会保持处于可用状态。

1.6 验证码校验

生活中，我们看到的验证码可谓五花八门，主要类型有：随机数字图片验证码、滑动验证码、手机验证码、邮箱/手机号组合验证等。网站通过常规验证码和滑动验证码的校验，可以区分人机操作，并防止恶意注册、暴力破解、刷票、论坛灌水、黑客攻击等行为；而通过手机号码、邮箱手机号组合等校验，主要是验证用户信息，保护用户信息安全。对于爬虫而言，自动爬取后两种的网页数据就无能为力了，一般是对前两种验证码策略的应对。

随机数字图片验证码，又可以细分很多小类型，需要根据不同的类型采取不同的策略。比如，字母/数字组合类型（Z5f0ty）、计算题类型（1+5=?），这种简单的验证码可通过机器学习识别。又比如，图片验证类型，这种复杂的验证码可通过专门的付费打码平台人工打码。

滑动验证码，采用的是高精度人机行为识别技术，用户只需向右滑动拼图，补齐缺块儿，即可完成验证，这种可以使用 Selenium 模拟浏览器执行滑动操作。

1.7 动态网页

有时候，我们使用 requests 模块获取网页内容会很少，并且也不包含我们采集的目标数据，这是因为页面展示的实时信息是动态渲染的，比如股票行情实时的数据、证券交易公开的数据等。面对这种动态的网页，使用 requests 模块就不再适合了。

我们使用浏览器的【开发者工具】定位看到的数据，有可能是动态渲染过的，也有可能不是。那么，该如何识别网页上的数据是不是动态渲染的呢？方法很简单，通过右键点击网页空白处，选择【查看网页源代码】，将页面上的数据复制后去源代码里搜索，如果搜索不到则可以判定是动态渲染的！应对这种反爬策略，我们仍可以选择使用 Selenium 模拟浏览器操作获取数据。

我们随便搜索一个财经网站测试下，通过【开发者工具】能看到 88.28 指数是存在的，如下：

去【查看网页源代码】搜索 88.28 ，显示这个指数不存在： 

说明当前网页是动态渲染的，可以考虑使用 Selenium 模块去爬取。

1.8 数据API加密

爬虫和反爬虫本质上是一种攻防关系，如果网站真心不让你爬取自己的页面数据，则会使用难度更大，破解更复杂的反爬策略。

比如，前端 JS 加密。网站花了一番心思的加密操作，相对于爬取方来说，也是需要一定时间和分析能力才能进行解密，极大的增加了爬取的难度。

又比如，网站使用多个不同的字体文件加密，只有使用约定的字体文件方式才能解密。网站服务端根据字体映射文件，先将客户端查询的数据进行转换再传给前端，前端根据字体文件进行逆向解密，映射方式可以自由选择，比如数字乱序显示等。这样爬虫可以正常爬取，但得到的数据却是错误的！

所谓的道高一尺，魔高一丈，恐怕不过如此吧，哈哈哈~

2、Selenium模块

2.1 选择 Requests 还是 Selenium ？

从上面介绍的反爬应对策略不难发现，当 Requests 模块解决不了的爬取问题，使用 Selenium 模块基本可以解决。到这里可能会产生疑问：这两个模块都是爬虫的核心库，为什么不直接使用 Selenium 替代 Requests 做所有的爬虫操作呢？

这是因为 Requests 模块是直接访问网页，爬取速度非常快，而 Selenium 模块要先打开模拟浏览器再访问网页，爬取速度相对较慢。实际使用中，肯定会优先考虑使用 Requests 模块，而 Requests 模块解决不了的话再使用 Selenium 模块。

如果说 Requests 模块可以爬取50%的网站，那么 Selenium 模块可以爬取95%的网站，大部分爬取难度较高的网站都可以用它爬取。

2.2 Selenium 该怎么用？

Selenium 是一个用于 Web 应用程序测试的工具，它能够驱动浏览器模拟用户的操作，比如鼠标点击、键盘输入等行为，支持的浏览器包括 IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera，Edge 等。通过 Selenium 模块能比较容易地获取网页源代码，还能自动下载网络资源。

首先，需要下载 Selenium 模块，如下：

pip install selenium

接着，下载和安装浏览器驱动程序，不同的浏览器驱动下载地址，参考如下（按需选择）：

• Edge：Microsoft Edge WebDriver - Microsoft Edge Developer
• Chrome：https://chromedriver.storage.googleapis.com/index.html
• Firefox：Releases · mozilla/geckodriver · GitHub
• Safari：WebDriver Support in Safari 10 | WebKit

下载的浏览器驱动需要与当前使用的浏览器版本保持一致，我用的是 Google 浏览器，通过【设置】--【关于 Chrome】，可以查看版本号：

找到自己需要的驱动路径，下载：

下载完成后，解压 zip 包会得到一个 chromedriver.exe，将这个可执行文件放到 Python 的 Scripts 目录下就完成了安装。验证是否成功安装驱动，可以打开 CMD，输入命令，验证如下：

到此，万事俱备，就可以小试牛刀了。

打开 Google 浏览器，并访问百度的首页，在获取网页源代码后，等待30s，最后关闭浏览器。以这个操作流程为例，测试代码如下：

from selenium import webdriver

def test_open_browser(url):
    # 打开 Google 浏览器
    browser = webdriver.Chrome()
    # 访问目标网址
    browser.get(url)
    # 获取网页源代码
    data = browser.page_source
    # 休眠30s（智能等待）
    browser.implicitly_wait(30)
    # 关闭浏览器
    browser.quit()

这样就能轻松获取网页源代码数据了。如果不需要弹出模拟浏览器窗口，就能获取网页源代码，可启用无界面浏览器模式（Chrome Headless），在打开 Google 浏览器的代码之前，新增和修改如下代码：

co = webdriver.ChromeOptions()
co.add_argument('--headless')
browser = webdriver.Chrome(options=co)

browser 还有更多 API 可以自行尝试，接下来会进行一些用法总结。

2.3 Selenium 操作模拟浏览器小结

除了访问网页，Selenium 模块还可以进行其他行为操作。该模块 API，常用的属性有：

• browser.window_handles：获取浏览器所有窗口的句柄
• browser.current_window_handle：获取当前浏览器窗口的句柄
• browser.name：获取当前浏览器驱动的名称
• browser.page_source：获取网页源代码
• browser.title：获取当前网页的标题
• browser.current_url：获取当前网页的网址

常用的操作方法有：

• browser.maximize_window()：窗口最大化
• browser.minimize_window()：窗口最小化
• browser.set_window_size(width, height)：设置窗口尺寸
• browser.forword()：前进
• browser.back()：后退
• browser.switch_to_frame("f1")：切换到内嵌框架（用法即将废弃）
• browser.switch_to.frame("f1")：切换到内嵌框架
• browser.switch_to_window("w1")：切换到内嵌窗口（用法即将废弃）
• browser.switch_to.window("w1")：切换到内嵌窗口（一般与browser.window_handles搭配使用）
• browser.get_cookies()：获取当前网页用到的cookies
• browser.refresh()：刷新当前网页
• browser.close()：关闭浏览器
• browser.find_element_by_xxx("").send_keys()：模拟键盘输入
• browser.find_element_by_xxx("").click()：点击对象
• browser.find_element_by_xxx("").submit()：提交对象的内容
• browser.find_element_by_xxx("").text：获取文本信息
• browser.find_element_by_xxx("").clear()：清除对象的内容

find_element_by_xxx() 用于定位网页元素，有很多使用方法，如下：

注意：

如果xxx是xpath的话，格式为：

        browser.find_element_by_xpath('XPath表达式')

如果xxx是css_selector的话，格式为：

        browser.find_element_by_css_selector('CSS选择器')

实际使用中，二者都常用来定位网页元素，根据需要进行选择。

XPath 如何使用？

XPath 可理解为网页元素的名字或 ID。find_element_by_xpath() 函数可根据 XPath 表达式定位网页元素，利用开发者工具，可获取网页元素的XPath表达式，如下：

 键盘事件：包括键盘tab、回车、ctrl键等

from selenium.webdriver.common.keys import Keys

# Tab 切换到密码框
browser.find_element_by_class_name("username").send_keys(Keys.TAB)
# ENTER 回车登陆
browser.find_element_by_class_name("password").send_keys(Keys.ENTER)
# 全选、复制、剪切等
browser.find_element_by_name("input").send_keys(Keys.CONTROL, 'a')
browser.find_element_by_name("input").send_keys(Keys.CONTROL, 'c')
browser.find_element_by_name("input").send_keys(Keys.CONTROL, 'x')

鼠标事件：包括鼠标右键、双击、拖动、移动鼠标到某个元素上等

from selenium.webdriver.common.action_chains import ActionChains

elem = browser.find_element_by_xpath("")
# 鼠标点击行为
ActionChains(browser).click(elem).perform()  # 单击，默认左击
ActionChains(browser).double_click(elem).perform()  # 双击
ActionChains(browser).context_click(elem).perform()  # 右击
ActionChains(browser).click_and_hold(elem).perform()  # 单击并停留
# 鼠标拖动
to_elem = browser.find_element_by_xpath("")
ActionChains(browser).drag_and_drop(elem, to_elem).perform()
ActionChains(browser).move_to_element(elem).perform() # 鼠标悬停
ActionChains(browser).move_by_offset(x, y).perform() # 鼠标移动，需要指定x，y轴的偏移量

Expected Conditions：期望的条件，可用来判断浏览器的动态页面元素出现和消失情况，经常与 WebDriverWait 搭配使用，通过以下方式引入：

from selenium.webdriver.support import expected_conditions as EC

常用 API 有：

• title_is：判断当前页面的 title 是否精确等于预期；
• title_contains：判断当前页面的 title 是否包含预期字符串；
• presence_of_element_located：判断某个元素是否被加到了 dom 树里，并不代表该元素一定可见；
• visibility_of_element_located：判断某个元素是否可见.可见代表元素非隐藏，并且元素的宽和高都不等于0；
• visibility_of：跟上面的方法做一样的事情，只是上面的方法要传入 locator，这个方法直接传定位到的 element 就好了；
• presence_of_all_elements_located：判断是否至少有1个元素存在于 dom 树中。举个例子，如果页面上有n个元素的 class 都是 'column-md-3'，那么只要有1个元素存在，这个方法就返回 True；
• text_to_be_present_in_element：判断某个元素中的 text 是否包含了预期的字符串；
• text_to_be_present_in_element_value：判断某个元素中的 value 属性是否包含了预期的字符串；
• frame_to_be_available_and_switch_to_it：判断该 frame 是否可以 switch 进去，如果可以的话，返回 True 并且 switch 进去，否则返回 False；
• invisibility_of_element_located：判断某个元素中是否不存在于 dom 树或不可见；
• element_to_be_clickable：判断某个元素中是否可见并且是 enable 的，这样的话才叫 clickable；
• staleness_of：等某个元素从 dom 树中移除，注意，这个方法也是返回 True 或 False；
• element_to_be_selected：判断某个元素是否被选中,一般用在下拉列表；
• element_selection_state_to_be：判断某个元素选中状态是否符合预期；
• element_located_selection_state_to_be：跟上面的方法作用一样，只是上面的方法传入定位到的 element，而这个方法传入 locator；
• alert_is_present：判断页面上是否存在 alert。

最后

至此，爬虫入门的知识点也介绍完了，有了这些基础知识后，便可以进一步的进行爬虫实战了。后面将通过爬虫实战，演示如何灵活的爬取不同网站并解析出目标数据，并记录下爬取和解析过程中遇到的一些问题，一起期待吧~