模拟自动化登陆的模块:
Selenium
selenium是一个自动化测试工具
selenium应用场景:用代码的方式去模拟浏览器操作过程(如:打开浏览器、在输入框里输入文字、回车等),在爬虫方面很有必要
1、selenium准备工作
第一步:安装selenium(pip install selenium)
第二步:安装chromedriver(一个驱动程序,用以启动chrome浏览器,具体的驱动程序需要对应的驱动)下载地址:https://sites.google.com/a/chromium.org/chromedriver/home
。
注意: 下载好了的chromedriver要保存好文件的路径,后面会一直使用这个程序路径。
2、使用selenium的基本步骤
1、导入模块:
from selenium import webdriver # 启动浏览器需要用到
from selenium.webdriver.common.keys import Keys # 提供键盘按键支持(最后一个K要大写)
2、创建一个WebDriver实例:
driver = webdriver.Chrome("C:\\Users\dell\Python 爬虫 Study\chromedriver.exe")
# 双引号之间要写你的 chromedriver 的路径。
运行之后会打开一个空白的 chrome 界面
3、打开一个新页面:
driver.get("http://www.python.org") # 运行之后会在这个chrome中打开这个网址
4、关闭页面
driver.close() # 关闭浏览器一个Tab
# driver.quit() 关闭浏览器窗口
高级-查找元素:
在打开页面和关闭页面中间,就是各种操作!而查找元素这一点,和爬虫常见的HTML页面解析,定位到具体的某个元素基本一样,只不过,调用者是driver
element = driver.find_element_by_name("q")
高级-页面交互:
找到元素后,就是进行“交互”,如键盘输入(需提前导入模块)
element.send_keys(“some text”) # 往一个可以输入对象中输入“some text”
element.send_keys(Keys.RETURN) # 模拟键盘回车
运行完这个就会发现界面开始了查找:
如果你输入完对象之后想清空你的对象中的文字,可以用下面的方法。
element.clear() # 清空element对象中的文字
高级-等待页面加载(wait)
应用场景:含有ajax加载的page!因为在这种情况下,页面内的某个节点并不是在一开始就出现了,而在这种情况下,就不能“查找元素”,元素选择不到,就不好进行交互操作!等待页面加载这两个模块经常是一起导入的:
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium import webdriver
from selenium.webdriver.common.by import By
显示等待:触发某个条件后才能够执行后续的代码
driver = webdriver.Chrome("C:\\Users\dell\Python 爬虫 Study\chromedriver.exe")
driver.get("http://www.baidu.com")
try:
element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.ID, "myDynamicElement")))
finally:
driver.quit()
#其中,presence_of_element_located是条件,By.ID是通过什么方式来确认元素(这个是通过id),"myDynamicElement"这个就是某个元素的ID
隐示等待:设置某个具体的等待时间
driver = webdriver.Chrome("C:\\Users\dell\Python 爬虫 Study\chromedriver.exe")
driver.implicitly_wait(10) # seconds
driver.get("http://www.baidu.com")
myDynamicElement = driver.find_element_by_id("myDynami")
项目尝试:爬取丁香园数据
import requests, json, re, random,time
from bs4 import BeautifulSoup
from selenium import webdriver
from lxml import etree
class getUrl(object):
"""docstring for getUrl"""
# 下面的信息要在网页中找到并填对。
def __init__(self):
self.headers={
"Connection": "keep-alive",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.122 Safari/537.36",
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
"Accept-Encoding": "gzip, deflate, sdch",
"Accept-Language": "zh-CN,zh;q=0.8"
};
def run(self):
# chromedriver 路径要填对
browser = webdriver.Chrome('C:\\Users\dell\Python 爬虫 Study\chromedriver.exe')
browser.get('https://auth.dxy.cn/accounts/login?service=http://www.dxy.cn/bbs/index.html')
time.sleep(1)
# 切换账号密码登录表单
js1 = 'document.querySelector("#j_loginTab1").style.display="none";'
browser.execute_script(js1)
time.sleep(1)
js2 = 'document.querySelector("#j_loginTab2").style.display="block";'
browser.execute_script(js2)
# 输入账号密码
input_name = browser.find_element_by_name('username')
input_name.clear()
input_name.send_keys('****') # 这里为自己账号
input_pass = browser.find_element_by_name('password')
input_pass.clear()
input_pass.send_keys('****') # 这里为密码
browser.find_element_by_xpath('//*[@class="form__button"]/button').click()
# 此步骤应该有验证码,先跳过
time.sleep(10)
cookie = browser.get_cookies()
cookie_dict = {i['name']:i['value'] for i in cookie}
# 转到抓取页面
browser.get("http://www.dxy.cn/bbs/thread/626626#626626");
html = browser.page_source
tree = etree.HTML(html)
user = tree.xpath('//div[@id="postcontainer"]//div[@class="auth"]/a/text()')
content = tree.xpath('//td[@class="postbody"]')
for i in range(0,len(user)):
result = user[i].strip()+":"+content[i].xpath('string(.)').strip()
#写入文件
dir_file = open("DXY_records.txt",'a', encoding="utf-8")
dir_file.write(result+"\n")
dir_file.write('*' * 80+"\n")
dir_file.close()
print('*' * 5 +"抓取结束"+'*' * 5)
if __name__ == '__main__':
geturl = getUrl()
geturl.run()