selenium+python处理广告弹窗

selenium+python处理广告弹窗

1. 背景

在使用浏览器渲染技术爬取网站信息时，经常会遇到一些弹出框（广告，警告框，验证码，登录窗口等）的干扰。一般来说，当这些窗口弹出时，就无法操作原始页面。

• 不同的弹出框有不同的处理方案：
  
  • 广告：直接关闭
  • 警告框：点击确定或者取消
  • 验证码：输入验证码，进行验证
  • 登录窗口：进行登录。

下面以1688网站为例，记录几种类型的处理方式。

2. 环境

• python 3.6.1
• 系统：win7
• IDE：pycharm
• 安装过chrome浏览器
• 配置好chromedriver
• selenium 3.7.0

3. 广告弹窗的处理

3.1. 分析广告弹窗的源码

<div class="s-overlay-box">
 <div class="s-overlay-widget">
<div class="s-widget-overlaycontent" data-cookie-key="__sw_newuno_count__" data-top-sect="newUserNoDiamond">
 <div class="s-overlay-widget-body">
 <img src="//cbu01.alicdn.com/cms/upload/2017/612/899/2998216_1921578814.png">
 </div>
 <div class="s-overlay-widget-foot">
 <div class="s-overlay-widget-ic">开始找货</div>
 </div>
</div>

   </div>
 <div class="s-overlay-close">
 <i></i>
 <em class="s-overlay-close-t"></em>
 <em class="s-overlay-close-r"></em>
 <em class="s-overlay-close-b"></em>
 <em class="s-overlay-close-l"></em>
 </div>
 </div>

<div class="home-identity-dialog"> <span class="identity-close"> <i class="identity-icon identity-close-icon"></i> </span> <div class="identity-portrait"> <p class="identity-portrait-img"> <img src="https://img.alicdn.com/tfs/TB1y80.gPihSKJjy0FlXXadEXXa-80-81.png" alt=""> </p> <p class="identity-portrait-des"> 身份越真实<i class="identity-icon identity-des-icon"></i>生意越轻松 </p> </div> <div class="identity-action"> <div id="identity-select"><div class="fui-combobox fui-combobox-l" id="fui_widget_0"><input class="result" placeholder="选择您的主采购行业" type="text" readonly="readonly" autocomplete="off"><a class="trigger" href="#" target="_self" hidefocus="true"><span class="fui-icon-18"></span></a><div class="fui-combobox-panel" dataid="combobox_1511422185762" style="display: none;"><div class="list fd-clr"><ul><li class="fui-combobox-item">女装</li><li class="fui-combobox-item">日用百货</li><li class="fui-combobox-item">五金工具</li><li class="fui-combobox-item">电工电气</li><li class="fui-combobox-item">童装</li><li class="fui-combobox-item">配饰</li><li class="fui-combobox-item">内衣</li><li class="fui-combobox-item">包装</li><li class="fui-combobox-item">鞋靴</li><li class="fui-combobox-item">男装</li><li class="fui-combobox-item">照明</li><li class="fui-combobox-item">机械</li><li class="fui-combobox-item">运动户外</li><li class="fui-combobox-item">箱包皮具</li><li class="fui-combobox-item">母婴工具</li><li class="fui-combobox-item">电子元器件</li><li class="fui-combobox-item">食品饮料</li><li class="fui-combobox-item">玩具</li><li class="fui-combobox-item">精细化学品</li><li class="fui-combobox-item">化工</li><li class="fui-combobox-item">美妆日化</li><li class="fui-combobox-item">家纺家饰</li><li class="fui-combobox-item">餐饮生鲜</li><li class="fui-combobox-item">仪器仪表</li><li class="fui-combobox-item">3C数码</li><li class="fui-combobox-item">办公文教</li><li class="fui-combobox-item">橡塑制品</li><li class="fui-combobox-item">冶金</li><li class="fui-combobox-item">纺织皮革</li><li class="fui-combobox-item">家装建材</li><li class="fui-combobox-item">工艺礼品</li><li class="fui-combobox-item">个人防护</li><li class="fui-combobox-item">家用电器</li><li class="fui-combobox-item">汽车用品</li><li class="fui-combobox-item">宠物园艺</li><li class="fui-combobox-item">安全防护</li></ul></div></div></div></div> <div class="identity-confirm">我选好了</div> <div class="identity-cancel">访问1688首页 &gt;</div> </div> </div>

• 分析源码，可以看出，这两个广告弹窗，就是两个div元素，不是脚本，也没有iframe嵌套，处理比较简单。只要找到右上角的关闭按钮元素，就可以调用click将其关闭。

3.2. 代码

# 广告页面弹窗处理
def suspondWindowHandler(browser):

    # 第一种广告弹窗
    try:
        suspondWindow = browser.find_element_by_xpath("//div[contains(@class, 'identity-dialog')]//*[contains(@class, 'close-icon')]")
        suspondWindow.click()
        print(f"searchKey: Suspond Page1 had been closed.")
    except Exception as e:
        print(f"searchKey: there is no suspond Page1. e = {e}")

    # 第二种广告弹窗
    # 如果有广告界面弹出，关闭广告。 否则会导致数据无法输入到搜索框
    try:
        suspondWindow = browser.find_element_by_xpath("//div[contains(@class,'overlay-box')]//div[contains(@class,'overlay-close')]")
        suspondWindow.click()
        print(f"searchKey: Suspond Page2 had been closed.")
    except Exception as e:
        print(f"searchKey: there is no suspond Page2. e = {e}")

3.3. 调用原则。

• 一般来说，在处理广告弹窗时，遵守以下规则时，可以提高程序的稳定性。
  
  • 将所有出现过的广告类型，集中到一个函数中，如上suspondWindowHandler，每种类型的弹窗都try检测一下。
  • 对广告弹窗元素的获取，尽量收集他们的特征，采用模糊匹配的方式来寻找，如上dialog，overlay-box，close-icon，overlay-close。这样覆盖面可能更广。不过要小心的是，也有可能会误伤。
  • 进入页面时，要首先确保页面已经加载成功了，再来检测广告弹窗是否存在，一定要遵守这个顺序。
  • 关闭广告弹窗之后，一定要重新获取页面元素，防止切换带来的元素失焦。
  • 页面的每次刷新或者数据加载，都可能会带来广告弹出。

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.keys import Keys
import time

import parserPageModel


# 启动浏览器，并设置好wait
browser = webdriver.Chrome()
browser.set_window_size(960, 960)  # 设置浏览器窗口大小，和桌面分辨率有关
wait = WebDriverWait(browser, timeout=20)   # 设置页面加载等待时间


# 进入1688首页，搜索关键字
def searchKey(keyWord, DamatuInstance, retryCount):
    print(f"searchKey: enter, keyWord = {keyWord}, retryCount = {retryCount}")
    retryCount += 1
    if retryCount > 8:
        return (False, 0, keyWord)
    mainUrl = "https://www.1688.com/"
    print(f"searchKey: 访问1688主页, 进行搜索. mainUrl = {mainUrl}")
    browser.get(mainUrl)

    # 尝试搜索
    try:
        # 搜索框是否出现。用于判断搜索页面是否已经加载好
        input = wait.until(
            EC.presence_of_element_located((By.XPATH, "//input[@id='alisearch-keywords']"))
        )
    except Exception as e:
        # 搜索框都没出现，说明页面没有加载好，重试
        print(f"searchKey: 搜索框还没有加载好，重新加载主页. retryCount = {retryCount}, url = {mainUrl}, e = {e}")
        searchKey(keyWord, DamatuInstance, retryCount)
    else:
        time.sleep(2)
        # 处理可能出现的广告
        suspondWindowHandler(browser)

        try:
            # 重新拿到搜索框，防止处理广告页面之后，元素失焦
            input = browser.find_element_by_xpath("//input[@id='alisearch-keywords']")
            # 输入搜索关键字
            time.sleep(5)
            input.clear()
            input.send_keys(keyWord)
            # 敲enter键
            input.send_keys(Keys.RETURN)
            print(f"searchKey: press return key.")
            time.sleep(3)
            # 处理可能出现的广告弹窗
            suspondWindowHandler(browser)

            # 查看搜索结果是否出现。 以商品List是否出现为标准
            searchRes = wait.until(
                EC.presence_of_element_located((By.XPATH, "//div[contains(@class, 'sm-breadcrumb')]//span[@class='sm-widget-offer']"))
            )
            print(f"searchKey: searchSuccess, searchRes = {searchRes}")
        except Exception as e:
            print(f"searchKey: 搜索结果总页数尚未加载好，重新加载主页. retryCount = {retryCount}, url = {mainUrl}, e = {e}")
            searchKey(keyWord, DamatuInstance, retryCount)
        else:
            # 如果发现结果页加载OK, 开始寻找总页数
            try:
                # 获取结果总页数
                print(f"searchKey: 搜索结果已出现，开始寻找总页数")
                totalPage = 0
                print(f"searchKey: totalPageInit = {totalPage}")
                total = wait.until(
                    EC.presence_of_element_located((By.XPATH, "//div[@class='fui-paging-form ']//span[contains(@class, 'total')]//em[contains(@class, 'num')]"))
                )
                totalPage = int(total.text)
                print(f"searchKey: totalPage = {totalPage}")
                return (True, totalPage, keyWord)
            except Exception as e:
                print(f"searchKey: 搜索结果就一页. e = {e}")
                return (True, 1, keyWord)
            finally:
                # 特别注意：这个部分会在本函数return语句之前执行
                # 参考文章解说return和finally：
                # Python: 浅析 return 和 finally 共同挖的坑 http://python.jobbole.com/88408/
                try:
                    print(f"searchKey: 取第一页的数据出来，进行存储")
                    # 解析页面内容：
                    if browser.page_source:
                        productInfoLst = parserPageModel.getProductMainInfo(browser.page_source)
                        print(f"productInfoLst = {productInfoLst}")
                except Exception as e:
                    print(f"searchKey: 取第一页数据出来这个过程出现异常。Exception = {e}")

4. 警告框alert的处理

参考文章：https://www.cnblogs.com/qiaoyeye/p/5593428.html

5. 验证码弹出框的处理

参考文章1：http://blog.csdn.net/zwq912318834/article/details/78605486
参考文章2：http://blog.csdn.net/zwq912318834/article/details/78616462