威尼斯人线上娱乐

爬虫与反爬虫的烽火,如何应对网站反爬虫策略

28 3月 , 2019  

爬虫(Spider),反爬虫(Anti-Spider),反反爬虫(Anti-Anti-Spider)
之间恢宏壮阔的斗争…

 

爬虫(Spider),反爬虫(Anti-Spider),反反爬虫(Anti-Anti-Spider),那时期的加油恢宏壮阔…

Selenium

威尼斯人线上娱乐,Selenium是二个Web的自动化测试工具,最初是为网站自动化测试而支出的,类型像我们玩游戏用的按键天使,能够按钦命的通令自动操作,不一致的是Selenium能够直接运营在浏览器上,它匡助具有主流的浏览器(包含PhantomJS那些无界面包车型客车浏览器)。

Selenium能够依照我们的下令,让浏览器自动加载页面,获取供给的数目,甚至页面截屏,或许判断网站上或多或少动作是否发生。

Selenium本人不带浏览器,不协助浏览器的作用,它须要与第①方浏览器结合在一道才能选用。可是大家大多数时候要求让它内嵌在代码中运作,所以大家能够用八个叫PhantomJS的工具代替真实的浏览器。

能够从 PyPI 网站下载
Selenium库https://pypi.python.org/simple/selenium ,也足以用
第1方管理器 pip用命令安装:pip install selenium

Selenium
官方参考文书档案:

  • 小莫想要某站上全数的电影,写了正规的爬虫(基于HttpClient库),不断地遍历某站的影视列表页面,依照Html 分析电影名字存进本身的数据库。

  • 其一站点的运营小黎发现有些时间段请求量陡增,分析日志发现都以IP(xxx.xxx.xxx.xxx)那么些用户,并且 user-agent 照旧Python-urllib/2.7 ,基于那两点判断非人类后一向在服务器上封闭扼杀。

  • 小莫电影只爬了一半,于是也针对的转换了下策略:1. user-agent
    仿照百度(“Baiduspider…”),2. IP每爬半个时辰就换1个IP代理。

  • 小黎也发现了对应的转移,于是在服务器上设置了二个频率限制,每秒钟超过1贰十一回呼吁的再屏蔽IP。
    同时考虑到百度家的爬虫有恐怕会被误伤,想想市集机构每月几玖仟0的排泄,于是写了个本子,通过
    hostname 检查下这一个 ip 是否真的百度家的,对那一个 ip
    设置三个白名单。

  • 小莫发现了新的界定后,想着小编也不急着要这个多少,留给服务器慢慢爬吧,于是修改了代码,随机1-3秒爬1遍,爬十一次休息10秒,每一日只在8-12,18-20点爬,隔几天还休息一下。

  • 小黎望着新的日志头都大了,再设定规则一点都不小心会损害真实用户,于是准备换了一个思路,当一个时辰的总请求超越4四遍的时候弹出二个验证码弹框,没有科学输入的话就把
    IP 记录进黑名单。

  • 小莫看到验证码有个别傻脸了,然而也不是尚未主意,先去上学了图像识别(关键词
    PIL,tesseract),再对验证码进行了二值化,分词,格局磨练之后,同理可得最终识别了小黎的验证码(关于验证码,验证码的辨别,验证码的反识别也是1个恢宏壮丽的努力史…),之后爬虫又跑了起来。

  • 小黎是个坚强的好同学,看到验证码被攻破后,和付出同学切磋了变动下支付情势,数据并不再直接渲染,而是由前端同学异步获取,并且经过
    JavaScript 的加密库生成动态的 token,同时加密库再开始展览模糊。

  • 模糊过的加密库就不曾艺术了么?当然不是,能够逐步调节和测试,找到加密原理,但是小莫不准备用那样耗费时间耗力的章程,他放任了依照HttpClient的爬虫,选取了内置浏览器引擎的爬虫(关键词:PhantomJS,Selenium),在浏览器引擎运营页面,直接获得了不易的结果,又三回获得了对方的数据。

  • 小黎:…..

Selenium

爬虫(Spider),反爬虫(Anti-Spider),反反爬虫(Anti-Anti-Spider),那期间的创新优品恢宏壮阔…

Day 1
小莫想要某站上全体的影片,写了规范的爬虫(基于HttpClient库),不断地遍历某站的影视列表页面,根据Html 分析电影名字存进自个儿的数据库。
这一个站点的运营小黎意识有个别时刻段请求量陡增,分析日志发现都是IP(1.1.1.1)那些用户,并且 useragent 照旧 JavaClient1.6
,基于这两点判断非人类后直接在Nginx 服务器上封闭扼杀。

PhantomJS

PhantomJS是三个根据Webkit的“无界面”(headless)浏览器,它会把网站加载到内部存款和储蓄器并履行页面上的JavaScript,因为不会展现图形界面,所以运维起来比完全的浏览器要高速。

借使大家把Selenium和PhantomJS结合在一道,就足以运作一个百般有力的互连网爬虫了,这一个爬虫能够拍卖JavaScript、Cookie、headers,以及任何大家真实用户要求做的事体。

只顾:PhantomJS
只可以从它的官方网站 下载。 因为
PhantomJS 是多个功能完善(即使无界面)的浏览器而非八个 Python
库,所以它不必要像 Python
的其他库一样安装,但大家得以因而Selenium调用PhantomJS来一直采纳。

PhantomJS
官方参考文书档案:http://phantomjs.org/documentation

 Selenium是二个Web的自动化测试工具,最初是为网站自动化测试而付出的,类型像大家玩游戏用的按键天使,可以按钦点的下令自动操作,差别是Selenium
能够直接运营在浏览器上,它帮忙全部主流的浏览器(包罗PhantomJS这几个无界面的浏览器)。

Day 1

小莫想要某站上全部的电影,写了规范的爬虫(基于HttpClient库),不断地遍历某站的影视列表页面,根据Html 分析电影名字存进自身的数据库。
其一站点的运行小黎意识有些时间段请求量陡增,分析日志发现都以IP(1.1.1.1)这么些用户,并且 useragent 依然 JavaClient1.6
,基于那两点判断非人类后直接在Nginx 服务器上封闭扼杀。

Day 2
小莫电影只爬了大体上,于是也针对的转换了下策略:1. useragent
仿照百度(“Baiduspider…”),2. IP每爬半个时辰就换一个IP代理。
小黎也发觉了相应的更动,于是在 Nginx
上设置了二个功效限制,每分钟超过121次呼吁的再屏蔽IP。
同时考虑到百度家的爬虫有可能会被误伤,想想商场机构每月几九万的投放,于是写了个本子,通过
hostname 检查下这些 ip 是否真的百度家的,对那些 ip 设置二个白名单。

敏捷入门

SeleniumCurry有个叫WebDriver的API。WebDriver有点儿像能够加载网站的浏览器,可是它能够像BeautifulSoup或许别的Selector对象一样用来寻觅页面元素,与页面上的因素举行相互(发送文书、点击等),以及执行其余动作来运维网络爬虫。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'

# 导入webdriver
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time

# 调用环境变量指定的PhantomJS浏览器创建浏览器对象,executable_path:指定PhantomJS位置
driver = webdriver.PhantomJS(executable_path = r"D:\Program Files\phantomjs\bin\phantomjs")

# get()方法会一直等到页面被完全加载,然后才会继续程序
driver.get("http://www.baidu.com/")

# 获取页面名为wrapper的id标签的文本内容
data = driver.find_element_by_id("wrapper").text

# 打印获取的文本内容
print(data)

# 打印页面标题:百度一下,你就知道
print(driver.title)

# 生成当前页面快照并保存
driver.save_screenshot("baidu.jpg")

# 在百度搜索输入框中输入“蚂蚁”
driver.find_element_by_id("kw").send_keys("蚂蚁")

# 模拟点击“百度一下”按钮
driver.find_element_by_id("su").click()
# 等待2秒,让页面加载
time.sleep(2)

# 获取搜索后的页面快照
driver.save_screenshot("蚂蚁.jpg")

# 打印网页渲染后的源代码
# print(driver.page_source)

# 获取当前页面Cookie
print(driver.get_cookies())

# Ctrl + a 全选输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL, "a")

# Ctrl + x 剪切输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL, "x")

# 输入框重新输入内容
driver.find_element_by_id("kw").send_keys("python")

# 模拟Enter回车键
driver.find_element_by_id("su").send_keys(Keys.ENTER)

# 等待2秒,让页面加载
time.sleep(2)

# 清除输入框内容
driver.find_element_by_id("kw").clear()

# 获取新的快照
driver.save_screenshot("python.jpg")

# 获取当前url
print(driver.current_url)

# 关闭当前页面,如果只有一个页面,会关闭浏览器
driver.close()

# 关闭浏览器
driver.quit()

Selenium
能够根据大家的授命,让浏览器自动加载页面,获取必要的多寡,甚至页面截屏,大概判断网站上一些动作是否产生。

爬虫与反爬虫的烽火,如何应对网站反爬虫策略。Day 2

小莫电影只爬了四分之二,于是也本着的转移了下策略:1. useragent
仿照百度(“Baiduspider…”),2. IP每爬半个小时就换二个IP代理。
小黎也意识了对应的变通,于是在 Nginx
上安装了2个频率限制,每分钟超过120回呼吁的再屏蔽IP。
同时考虑到百度家的爬虫有大概会被误伤,想想商场部门每月几100000的投放,于是写了个剧本,通过
hostname 检查下这些 ip 是或不是真的百度家的,对那些 ip 设置一个白名单。

Day 3
小莫发现了新的范围后,想着作者也不急着要这个多少,留给服务器稳步爬吧,于是修改了代码,随机1-3秒爬一次,爬11次休息10秒,每日只在8-12,18-20点爬,隔几天还休息一下。
小黎瞧着新的日志头都大了,再设定规则相当大心会危机真实用户,于是准备换了二个思路,当三个钟头的总请求当先四1五次的时候弹出八个验证码弹框,没有标准科学输入的话就把
IP 记录进黑名单。

页面操作

Selenium的WebDriver提供了各个措施来探寻成分,假若上面有1个表单输入框:

<input type="text" name="user-name" id="passwd-id" />

那么

# 获取id标签值
element = driver.find_element_by_id("passwd-id")

# 获取name标签值
element = driver.find_element_by_name("user-name")

# 获取标签名值
element = driver.find_element_by_tag_name("input")

# 通过xpath来匹配
element = driver.find_element_by_xpath("//input[@id='passwd-id']")

Selenium
自个儿不带浏览器,不辅助浏览器的成效,它须要与第①方浏览器结合在一块儿才能使用.

Day 3

小莫发现了新的限制后,想着小编也不急着要这一个数量,留给服务器慢慢爬吧,于是修改了代码,随机1-3秒爬叁回,爬14次休息10秒,每一日只在8-12,18-20点爬,隔几天还休息一下。
小黎望着新的日志头都大了,再设定规则十分大心会挫伤真实用户,于是准备换了叁个思路,当三个时辰的总请求超越四16回的时候弹出1个验证码弹框,没有标准科学输入的话就把
IP 记录进黑名单。

Day 4
小莫看到验证码有个别傻脸了,然而也不是未曾主意,先去读书了图像识别(关键词
PIL,tesseract),再对验证码举办了二值化,分词,情势演习之后,识别了小黎的验证码(关于验证码,验证码的辨认,验证码的反识别也是一个扩大壮丽的斗争史,这里先不展开….),之后爬虫又跑了起来。
小黎是个坚强的好同学,看到验证码被占领后,和成本同学商讨了转变下支付形式,数据并不再直接渲染,而是由前端同学异步获取,并且通过
js 的加密库生成动态的
token,同时加密库再开始展览模糊(相比重庆大学的步子的确有网站那样做,参见博客园的登陆流程)。

定位UI元素(webElements)

关于成分的抉择:

find_element_by_id
find_elements_by_name
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_partial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector

下载selenium webdriver
‘geckodriver.exe’,下载好后放置python目录里面

Day 4

小莫看到验证码有些傻脸了,可是也不是没有主意,先去读书了图像识别(关键词
PIL,tesseract),再对验证码进行了二值化,分词,格局陶冶之后,识别了小黎的验证码(关于验证码,验证码的识别,验证码的反识别也是贰个扩充壮丽的斗争史,那里先不展开….),之后爬虫又跑了起来。
小黎是个坚强的好同学,看到验证码被占领后,和支付同学切磋了扭转下支付形式,数据并不再直接渲染,而是由前端同学异步获取,并且通过
js 的加密库生成动态的
token,同时加密库再开始展览模糊(相比较关键的步子的确有网站这样做,参见和讯的登陆流程)。

Day5
模糊过的加密库就不曾章程了么?当然不是,能够稳步调节和测试,找到加密原理,可是小莫不准备用这么耗费时间耗力的法子,他扬弃了基于
HttpClient的爬虫,选择了安置浏览器引擎的爬虫(关键词:PhantomJS,Selenium),在浏览器引擎中js
加密脚本算出了不错的结果,又叁次获得了对方的数码。
小黎:…..

1.by id

# 页面内容
<div id="coolestWidgetEvah">...</div>

# 实现
element = driver.find_element_by_id(coolestWidgetEvah")

firefox的目录也要添加到环境变量中

Day 5

指鹿为马过的加密库就没有章程了么?当然不是,能够逐步调节和测试,找到加密原理,不过小恐怕准备用如此耗费时间耗力的章程,他甩掉了依照HttpClient的爬虫,选择了放置浏览器引擎的爬虫(关键词:PhantomJS,Selenium),在浏览器引擎中js
加密脚本算出了不易的结果,又三次得到了对方的多寡。
小黎:…..

爬虫与发爬虫的努力还在接二连三。
而是事实上接纳时候,一般我们做到依据 IP
限制频次就终止了,除非很宗旨的数目,不会再进行越来越多的表明,究竟工程的标题5/10是基金的难点。

关于高效部分,一些 Tips:
1.尽量缩减请求次数,能抓列表页就不抓详情页
2.毫无只看 Web 网站,还有 App 和 H5,他们的反爬虫措施一般比较少
3.假若真的对质量须要很高,能够考虑八线程(一些深谋远虑的框架如
scrapy都已支持),甚至分布式

 

作者:申玉宝
链接:

 

爬虫与发爬虫的加油还在继续。
然而事实上行使时候,一般我们做到依据 IP
限制频次就截至了,除非很主题的多寡,不会再拓展越来越多的表明,毕竟工程的难题二分之一是资本的题材。

2.by name

# 页面内容
<input name="cheese" type="text"/>

# 实现
element = driver.find_element_by_name("cheese")

Selenium Curry有个叫 WebDriver 的
API。WebDriver 有点儿像可以加载网站的浏览器,可是它也足以像
BeautifulSoup 可能其它 Selector
对象一样用来查找页面成分,与页面上的因素举行互相(发送文书、点击等),以及实践别的动作来运作互联网爬虫。

至于高效部分,一些 Tips:
1.尽量缩减请求次数,能抓列表页就不抓详情页
2.并非只看 Web 网站,还有 App 和 H5,他们的反爬虫措施一般相比较少
3.假使真的对品质要求很高,能够设想二十四线程(一些深谋远虑的框架如
scrapy都已协助),甚至分布式

3.by xpath

# 页面内容
<input type="text" name="example" />
<input type="text" name="other" />

# 实现
element = driver.find_elements_by_xpath("//input")

selenium飞快入门

4.by link text

# 页面内容
<a href="http://www.google.com/search?q=cheese">cheese</a>

# 实现
element = driver.find_element_by_link_text("cheese")
#!/usr/bin/env python
# -*- coding:utf-8 -*-

from selenium import webdriver

# 要想调用键盘按键操作需要引入keys包
from selenium.webdriver.common.keys import Keys

#创建浏览器对象
driver = webdriver.Firefox()

driver.get("http://www.baidu.com")

#打印页面标题“百度一下你就知道”
print driver.title

#生成当前页面快照
driver.save_screenshot("baidu.png")

# id="kw"是百度搜索框,输入字符串“微博”,跳转到搜索中国页面
driver.find_element_by_id("kw").send_keys(u"微博")

# id="su"是百度搜索按钮,click() 是模拟点击
driver.find_element_by_id("su").click()

# 获取新的页面快照
driver.save_screenshot(u"微博.png")

# 打印网页渲染后的源代码
print driver.page_source

# 获取当前页面Cookie
print driver.get_cookies()

# ctrl+a 全选输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'a')

# ctrl+x 剪切输入框内容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'x')

# 输入框重新输入内容
driver.find_element_by_id("kw").send_keys("test")

# 模拟Enter回车键
driver.find_element_by_id("su").send_keys(Keys.RETURN)

# 清除输入框内容
driver.find_element_by_id("kw").clear()

# 生成新的页面快照
driver.save_screenshot("test.png")

# 获取当前url
print driver.current_url

# 关闭当前页面,如果只有一个页面,会关闭浏览器
# driver.close()

# 关闭浏览器
driver.quit()

5.by partial link text

# 页面内容
<a href="http://www.google.com/search?q=cheese">search for cheese</a>>

# 实现
element = driver.find_element_by_partial_link_text("cheese")

1.页面操作

6.by tag name

# 页面内容
<iframe src="..."></iframe>

# 实现
element = driver.find_element_by_tag_name("iframe")

设若有下边包车型大巴输入框

7.by class name

# 页面内容
<div id="food">milkcheese</div>

# 实现
element = driver.find_elements_by_class_name("div")
<input type="text" name="user-name" id="passwd-id" />

8.by css selector

# 页面内容
<div id="food">milkcheese</div>

# 实现
element = driver.find_elements_by_css_selector("#food span.dairy.aged")

探寻办法

鼠标动作链

稍稍时候,大家必要在页面上模拟一些鼠标操作,比如双击、右击、拖拽甚至按住不动等,大家得以经过导入ActionChains类来做到:

#导入 ActionChains 类
from selenium.webdriver import ActionChains

# 鼠标移动到 ac 位置
ac = driver.find_element_by_xpath('element')
ActionChains(driver).move_to_element(ac).perform()


# 在 ac 位置单击
ac = driver.find_element_by_xpath("elementA")
ActionChains(driver).move_to_element(ac).click(ac).perform()

# 在 ac 位置双击
ac = driver.find_element_by_xpath("elementB")
ActionChains(driver).move_to_element(ac).double_click(ac).perform()

# 在 ac 位置右击
ac = driver.find_element_by_xpath("elementC")
ActionChains(driver).move_to_element(ac).context_click(ac).perform()

# 在 ac 位置左键单击hold住
ac = driver.find_element_by_xpath('elementF')
ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform()

# 将 ac1 拖拽到 ac2 位置
ac1 = driver.find_element_by_xpath('elementD')
ac2 = driver.find_element_by_xpath('elementE')
ActionChains(driver).drag_and_drop(ac1, ac2).perform()
# 获取id标签值
element = driver.find_element_by_id("passwd-id")
# 获取name标签值
element = driver.find_element_by_name("user-name")
# 获取标签名值
element = driver.find_elements_by_tag_name("input")
# 也可以通过XPath来匹配
element = driver.find_element_by_xpath("//input[@id='passwd-id']")

填充表单

作者们早已精晓了什么向文本框中输入文字,可是有时大家会遭遇select
标签的下拉框。直接点击下拉框中的选项不必然可行。

<select id="status" class="form-control valid" onchange="" name="status">
    <option value=""></option>
    <option value="0">未审核</option>
    <option value="1">初审通过</option>
    <option value="2">复审通过</option>
    <option value="3">审核不通过</option>
</select>

  威尼斯人线上娱乐 1

Selenium专门提供了select类来拍卖下拉框。其实WebDriver中提供了1个叫Select的方式,能够扶持我们完结这几个业务:

# 导入 Select 类
from selenium.webdriver.support.ui import Select

# 找到 name 的选项卡
select = Select(driver.find_element_by_name('status'))

# 
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text("未审核")

上述是三种选取下拉框的主意,能够遵照目录来选用、依照值来抉择、依照文字内容来抉择。注意:

  • index 索引从0开始
  • value 是option标签的3个属性值,并不是体以往下拉框中的值
  • visible_text 是option标签文本的值,是显示在下拉框的值

一切注销采用:select.deselect_all()

2.定位成分的措施

弹窗处理

当你触发了有些事件随后,页面出现了弹窗提醒,处理那个提醒或许取得提醒新闻方法:

alert = driver.switch_to_alert()
find_element_by_id
find_elements_by_name
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_partial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector

页面切换

八个浏览器肯定会有司空见惯窗口,所以我们必然要有法子来完成窗口的切换。切换窗口的不二法门如下:

driver.switch_to.window("this is window name")

也足以选用window_handles 方法来获得各样窗口的操作对象。

for handle in driver.window_handles:
    driver.switch_to_window(handle)

3.鼠标动作

页前边进和退化

操作页面包车型客车腾飞和滞后功效:

driver.forward()     #前进
driver.back()        # 后退
#!/usr/bin/env python
# -*- coding:utf-8 -*-

from selenium import webdriver

# 要想调用键盘按键操作需要引入keys包
from selenium.webdriver.common.keys import Keys
from selenium.webdriver import ActionChains

#创建浏览器对象
driver = webdriver.Firefox()

driver.get("http://www.baidu.com")

#鼠标移动到某处
action1 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action1).perform()

#鼠标移动到某处单击
action2 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action2).click(action2).perform()

#鼠标移动到某处双击
action3 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action3).double_click(action3).perform()

# 鼠标移动到某处右击
action4 = driver.find_element_by_id("su")
ActionChains(driver).move_to_element(action4).context_click(action4).perform()

Cookie

获得页面各类库克ie值:

for cookie in driver.get_cookies():
    print("%s -> %s" % (cookie['name'], cookie['value']))

删除Cookie:

# 通过Cookie名
driver.delete_cookie("CookieName")

# 删除所有
driver.delete_all_cookies()

4.Select表单

页面等待

近来的网页愈多的采纳了Ajax技术,那样程序便无法分明哪天页面完全加载成功。借使实际页面等待时间过长导致有个别dom成分还没出来,不过你的代码直接动用了那一个WebElement,那么就会抛出NullPointer的百般。

为了制止这种成分定位困难而且恐怕会促成抛格外,所以Selenium提供了三种等待格局,一种是隐式等待,一种是显式等待。

隐式等待是伺机特定的时日,等待是钦赐某一个准绳建立即继续执行。

相见下来框须求选取操作时,Selenium专门提供了Select类来拍卖下拉框

隐式等待

隐式等待相比较简单,正是简单地安装1个等候时间,单位为秒。

from selenium import webdriver

driver = webdriver.Chrome()
# 等待10秒
driver.implicitly_wait(10) # seconds
driver.get("http://www.baidu.com/")
myDynamicElement = driver.find_element_by_id("myDynamicElement")
# 导入 Select 类
from selenium.webdriver.support.ui import Select

# 找到 name 的选项卡
select = Select(driver.find_element_by_name('status'))

# 
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text(u"xxx")

显式等待

显式等待为钦赐有些条件,然后设置最长等待时间。借使在那个日子内,内定条件建立,则继续往下执行;固然在这几个时间,内定条件还未成立,那么便会抛出分外。

from selenium import webdriver
from selenium.webdriver.common.by import By
# WebDriverWait 库,负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
# expected_conditions 类,负责条件出发
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()
driver.get("http://www.baidu.com/")
try:
    # 页面一直循环,直到 id="myDynamicElement" 出现
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "myDynamicElement"))
    )
finally:
    driver.quit()

要是不写参数,程序暗中同意会0.5s调用3回来查看成分是还是不是早已加载成功,若是本来成分就是存在的,那么会及时回去。

下边是局地停放的守候条件,能够直接调用这几个条件,而不用自个儿写一些等待条件了。

title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable – it is Displayed and Enabled.
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present

本来假设不设置,暗中认可等待时间为0。

 

以上是三种接纳下拉框的法子,它能够根据目录来挑选,能够依照值来挑选,能够依照文字来选取。注意:

  • index 索引从 0 开始
  • value是option标签的三个属性值,并不是显得在下拉框中的值
  • visible_text是在option标签文本的值,是呈现在下拉框的值

全方位注销方法

select.deselect_all()

5.弹窗处理

当页面出现了弹窗提示

alert = driver.switch_to_alert()

6.页面切换

多少个浏览器肯定会有众多窗口,所以大家一定要有措施来贯彻窗口的切换。切换窗口的法子如下:

driver.switch_to.window("this is window name")

7.页眼前进和滞后

操作页面包车型大巴提升和退化作用:

driver.forward()     #前进
driver.back()        # 后退

实例
模拟登陆douban网站

#!/usr/bin/env python
# -*- coding:utf-8 -*-

from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time

driver = webdriver.Firefox()
driver.get("http://www.douban.com")

# 输入账号密码
driver.find_element_by_name("form_email").send_keys("158xxxxxxxx")
driver.find_element_by_name("form_password").send_keys("zhxxxxxxxx")

# 模拟点击登录
driver.find_element_by_xpath("//input[@class='bn-submit']").click()

# 等待3秒
time.sleep(3)

# 生成登陆后快照
driver.save_screenshot(u"douban.png")

driver.quit()

 动态页面模拟点击—>>>爬取斗鱼全部房间名,观者人数

(1)首先分析‘’下一页‘’的class变化,假若不是终极一页的时候,‘下一页’的class如下

 威尼斯人线上娱乐 2

(2)要是到了最后一页,‘下一页’变为隐藏,点击不了,class变为如下

威尼斯人线上娱乐 3

(3)找到个屋子的名字和听众人数的class

威尼斯人线上娱乐 4

(4)代码

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import unittest
from selenium import webdriver
from bs4 import BeautifulSoup as bs

class douyu(unittest.TestCase):
    # 初始化方法,必须是setUp()
    def setUp(self):
        self.driver = webdriver.Firefox()
        self.num = 0
        self.count = 0

    # 测试方法必须有test字样开头
    def testDouyu(self):
        self.driver.get("https://www.douyu.com/directory/all")

        while True:
            soup = bs(self.driver.page_source, "lxml")
            # 房间名, 返回列表
            names = soup.find_all("h3", {"class" : "ellipsis"})
            # 观众人数, 返回列表
            numbers = soup.find_all("span", {"class" :"dy-num fr"})

            # zip(names, numbers) 将name和number这两个列表合并为一个元组 : [(1, 2), (3, 4)...]
            for name, number in zip(names, numbers):
                print u"观众人数: -" + number.get_text().strip() + u"-\t房间名: " + name.get_text().strip()
                self.num += 1
                #self.count += int(number.get_text().strip())

            # 如果在页面源码里找到"下一页"为隐藏的标签,就退出循环
            if self.driver.page_source.find("shark-pager-disable-next") != -1:
                    break

            # 一直点击下一页
            self.driver.find_element_by_class_name("shark-pager-next").click()

    # 测试结束执行的方法
    def tearDown(self):
        # 退出Firefox()浏览器
        print "当前网站直播人数" + str(self.num)
        print "当前网站观众人数" + str(self.count)
        self.driver.quit()

if __name__ == "__main__":
    # 启动测试模块
    unittest.main()

爬取的结果:

威尼斯人线上娱乐 5

 


相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图