python爬图一篇过（三）【超·详细】：selenium库：防反爬（含cookies）+翻页下拉+pycharm运行

目录

一、pycharm小准备

01库导入

02编码方式

03快捷键

二、防反爬

01去掉浏览器监测

02登录操作

三、翻页

01点击翻页

02动态下拉

---

老规矩上思维导图

更新了！更新了！

我是白熊快跑，想必听完了前两章的你，已经十分了解python爬虫的基本思路，已经编出一个.py文件了。

那么今天，也就是在这个selenium系列的终章，我们就来说说如何在pycharm环境下运行你的爬虫程序，以及在此基础上在加以一点润色，离按下shift+F10就能轻轻松松自动爬到大量图片的目标就不远了！！

在IDLE调试好我们的程序后，直接Ctrl+C再Ctrl+V到pycharm中是欠妥的，在运行前还需要一点小准备。

---

一、pycharm小准备

在我们准备之前，你还需要新建一个项目（如果已有就不用了）

新建project

然后在该项目下创建python文件

现在你就可以把代码复制进入新开页面了！

接下来开始小准备

01库导入

前面章节我们说了在命令行窗口用pip语句下载python库，但是这个安好的库只能在命令行窗口和python的IDLE运行，而不能直接在pycharm运行

所以我们需要 File-->Settings-->Project xxx（你的项目名字，反正就是 Version Control 下面那个）-->Project Interpreter-->点击“小+号”

找到settings

找到Project Interpreter，找到小加号

注意最上方的搜索框

 最后在弹出界面最上方的搜索框搜索需要的库，再点击左下角的 Install Package 就OK啦！（右侧多选框均不必勾选）

02编码方式

 在python文件第一行写如下语句：

# -*- coding:UTF-8 -*-

这指的是一种广泛编码方式，拥有对应的推荐程序格式和解析文本方式

总之，听说添加了这条语句的代码都会变幸运

03快捷键

关于pychram还有一些很方便的快捷键，比如常用的有

1. Ctrl+Alt+L ：可以自动整理程序格式！！！（比如给你自动加空格）
2. Alt+1 ：把左侧文件栏收起（再按则放出）
3. shift+F10 ：运行Run上一次运行的程序

最后还有一点注意

import time
time.sleep(2)

适时加入延迟！

适时加入延迟！

适时加入延迟！

先前我们在IDLE编程时是一句句输入，相当于自带了延迟

但是在pycharm的爬虫过程中，如果进入一个新界面不加入延迟，网站就来不及完成加载，导致selenium库找不到元素，就会报错！！

---

二、防反爬

在 requests 库中，我们get网站时可以通过修改 headers 和 proxies 来修改头和ip，达到如入无人之境的防反爬效果（后面可能会写一写这个）

而在selenium库中，程序模拟浏览器访问网站，通常困扰我们的不是headers被人拦截，而是需要登录，当然，还有头顶那行小字（对于咱们小项目，ip不换也影响不大）

01去掉浏览器监测

先说怎么去掉头顶小字

其实就博主经验而言，小字不去除也影响不大

上一章的图片

 但是还是去掉比较好

from selenium.webdriver import Chrome # 谷歌浏览器
from selenium.webdriver import ChromeOptions
option = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = Chrome(options=option)

像这样创建 driver ，小字应该就被去掉了

02登录操作

这里分享两种登录方法

1.直接自动输入法

机智的小伙伴应该已经想过，既然selenium库能模拟浏览器，那么能不能模拟键盘鼠标操作呢

确实是可以的，在selenium库中可以对获取到的网络元素做click或者send_keys

下面还是以花瓣网为例

这里我们先试试找到登录健，然后点击它

button = driver.find_element_by_xpath('//*[@class="login bounce btn rbtn"]')
button.click()

登录界面弹出

 后面的操作思路是一样的，下面是完整的登录过程

from selenium.webdriver.common.keys import Keys
driver.find_element_by_xpath('//*[@class="login bounce btn rbtn"]').click() # 点击登录
button1 = driver.find_element_by_xpath('//*[@class="login"]//*[@class="mail-login"]/input[2]')
button1.send_keys('1372593xxxx') # 输入你的账号
button2 = driver.find_element_by_xpath('//*[@class="login"]//*[@class="mail-login"]/input[3]')
button2.send_keys('xxxxxx') # 输入你的密码
driver.find_element_by_xpath('//*[@class="login"]//*[@class="btn btn18 rbtn"]').send_keys(Keys.RETURN) # 按回车，登录成功

成功登录！

注意：

1. 这种方法仅适用于登录简单的网页，复杂网页含验证码不推荐
2. 需要在程序前import一个Keys，是用来按回车的
3. 记得前面先把driver定义好！

2.cookies方法

有了解一点requests库爬虫的小伙伴可能知道在修改headers防反爬时，有一个东西叫cookies

这个东西简单来说，就是一个表示用户登录与否状态的参数

在网站中我们也可以查看（先不要直接复制！）

 selenium库很棒的提供了可操作cookies的函数：

1. driver.get_cookies() ：以列表格式读取网站上的cookies
2. driver.add_cookie() ：向网站以单个元素添加到网站上
3. driver.delete_all_cookies() ：把当前网站上的现有所有cookies删除

于是我们可以进入网站，获取它的cookies保存成文件；然后删掉所有cookies，再读取我们创建的cookies文件添加到网站中

import json # 一个自带的库
with open('C:/Users/dell/Desktop/cookies.txt','w') as f: # 这是博主的文件路径
	f.write(json.dumps(driver.get_cookies())) # 获取cookies
driver.delete_all_cookies() # 删掉网站现有cookies
with open('C:/Users/dell/Desktop/cookies.txt','r') as f:
	cookies_list = json.load(f)
	for cookie in cookies_list:
		if 'expiry' in cookie:
			del cookie['expiry']
		driver.add_cookie(cookie) # 添加cookies

注意：

1. 需要先import一个python自带库json解析cookies
2. 听说cookies元素（类型是字典）里面不能含有expiry这个值，所以把它删掉
3. 先找一个文件夹创建一个cookies.txt，然后把该路径复制过来，注意了，注意了，把所有反斜杠改为斜杠！！！

---

三、翻页

01点击翻页

在selenium库里自动翻页比较简单，像前面登录那样 找元素-->点击元素 就可以了

在此之前你还需要一个拉到底部的操作

driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')

注意：括号内第二个参数就表示当前网页的高度

02动态下拉

 上面那个拉到底部的操作非常神奇啊，但现在不是所有网站都有底的（比如某宝）

这时就需要我们慢慢地向下拉动网页

博主的思路是设定一个时间段让它下拉，到时间就停（还是花瓣网）

bottom = driver.find_element_by_id('page') # 覆盖整个网页那个元素
t0 = time.time()
height = 300 # 初次下拉值
dr_time = 40 # 想要爬取的时间
while Elem.height <= bottom.size['height']:
    driver.execute_script('window.scrollTo(0, %d)' % height)
    time.sleep(2)
    Elem.height = Elem.height + 1000
    t1 = time.time()
    if (t1 - t0) > dr_time:
        break

注意：

1. 代码中的bottom参数是覆盖整个网页的一个网络元素，目的是找到网页的高度，可以通过F12点击左上角小箭头，再将鼠标放在网页上寻找（找到后单击）

   

   如图，找到覆盖面积最大的元素就是了

2. size() 函数对网络元素使用，返回的是一个字典（这里取了它的 Height ）

---

到本章为止，我们就要向基于selenium库的python图片爬虫画上一个完满的句号啦（但是python爬虫之路还远远没有结束！）后续大概会更新关于requests库制作ip池的内容，还请小伙伴们请多多点赞和关注，你的每一点鼓励或指正都对我很重要！！！

完整的爬取花瓣网图片代码我会放在下一章，然后还会附上一个爬取jd商品信息的案例。喜欢的朋友请追更~我们下期见啦！

（往期内容可在专栏查看~）