python爬虫学习笔记3

公西培

2023-12-01

【1、selenium】

1、什么是selenium？
(1) Selenium是一个用于Web应用程序测试的工具
(2) Selenium测试直接运行在浏览器中，就像真正的用户在操作一样
(3) 支持通过各种driver(FirfoxDriver,IternetExplorerDriver,OperaDriver,ChromeDriver)驱动真实浏览器完成测试
(4) selenium也是支持无界面浏览器操作的。

2、为什么使用selenium?
模拟浏览器功能，自动执行网页中的js代码，实现动态加载
github中的selenium地址：https://liushilive.github.io/github_selenium_drivers/md/Selenium.html

3、如何安装selenium?
(1)操作谷歌浏览器驱动下载
http://chromedirver.storage.googleapis.com/index.html
https://liushilive.github.io/github_selenium_drivers/md/Chrome.html
(2)谷歌驱动和谷歌浏览器版本之间的映射表
http://blog.csdn.net/huilan_same/article/details/51896672
(3)查看谷歌浏览器版本
谷歌浏览器右上角 --> 帮助 --> 关于
(4)pip install selenium

4、selenium的使用步骤？
(1) 导入：from selenium import webdriver
(2) 创建谷歌浏览器的操作对象：
path = 谷歌浏览器驱动文件路径z
browser = webdriver.Chrome(path)
(3) 访问网站
url = 要访问的地址
browser.get(url)

4-1 selenium的元素定位？
元素定位：自动化要做的就是模拟鼠标和键盘来操作这些元素，点击、输入等等。操作这些元素前首先要找到它们，WebDriver提供很多定位元素的方法
方法：
1、find_element_by_id
eg:button = browser.find_element_by_id(‘su’)
2、find_elements_by_name
eg:name = browser.find_elements_by_name(‘wd’)
3、find_elements_by_xpath
eg: xpath1 = browser.find_elements_by_xpath(’//input[@id=“su”]’)
4、find_elements_by_tag_name
eg:names = browser.find_elements_by_tag_name(‘input’)
5、find_elements_by_css_selector
eg: my_list = browser.find_elements_by_css_selector(’#kw’)[0]
6、find_elements_by_link_text
eg:browser.find_element_by_link_text(“新闻”)

4-2 访问元素信息
获取元素属性
.get_attribute(‘class’)
获取元素文本
.text
获取标签名
.tag_name

4-3 交互
点击：click()
输入：send_keys()
后退操作：browser.back()
前进操作：browser.forword()
模拟JS滚动：
js = ‘document.documentElement.scrollTop=10000’
browser.execute_script(js) 执行js代码
获取网页代码：page_source
退出：browser.quit()

【2、Phantomjs】

1、什么是Phantomjs?
(1) 是一个无界面的浏览器
(2) 支持页面元素查找，js的执行等
(3) 由于不进行css和gui渲染，运行效果要比真实的浏览器要快很多
(4) Phantomjs下载地址：https://phantomjs.org/download.html

2、如何使用Phantomjs？
(1) 获取PhantomJS.exe文件路径path
(2) browser = webdriver.PhantomJS(path)
(3) browser.get(url)
扩展：保存屏幕快照：browser.save_screenshot(‘baidu.png’)

【3、Chrome handless】

Chrome-headless模式，Google针对Chrome浏览器59版新增的一种模式，可以让你不打卡UI界面的情况下使用Chrome浏览器，所以运行效果与Chrome保持完美一致。

1、配置要求
Chrome
Unix/Linux ： chrome>=59
windows:chrome>=60
Python3.6
Selenium3.4.*
ChromeDriver2.31

2、配置
from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')

path = r'C:\Program Files (x86)\Google\Chrome\Application\chrome.exe'
chrome_options.binary_location = path

browser = webdriver.Chrome(chrome_options=chrome_options)

browser.get('http://www.baidu.com/')

3、配置封装
from selenium import webdriver
# 这个是浏览器自带的，不需要我们做任何额外的操作
from selenium.webdriver.chrome.options import Options

def share_browser():
	# 初始化
	chrome_options = Options()
	chrome_options.add_argument('--headless')
	chrome_options.add_argument('--disable-gpu')
	
	# 浏览器的安装路径 打开文件位置
	# 这个路径是你谷歌浏览器的路径
	path = r'C:\Program Files (x86)\Google\Chrome\Application\chrome.exe'
	chrome_options.binary_location = path
	
	browser = webdriver.Chrome(chrome_options=chrome_options)
	
	return browser

封装调用：
from handless import share_browser

browser = share_browser()

browser.get('http://www.baidu.com/')

browser.save_screenshot('handless.png')

（1）导入selenium

from selenium import webdriver

# (2)创建浏览器操作对象

path = ‘chromedriver.exe’

browser = webdriver.Chrome(path)

# （3）访问网站

# url = ‘https://www.baidu.com’

# browser.get(url)

url = ‘https://www.jd.com’

browser.get(url)

# page_source 获取网页源码

content = browser.page_source

print(content)

【selenium元素定位】

from selenium import webdriver

path = ‘chromedriver.exe’

browser = webdriver.Chrome(path)

url = ‘https://www.baidu.com’

browser.get(url)

元素定位

根据id来找到对象

button = browser.find_element_by_id(‘su’)

print(button)

根据标签属性的属性值来获取对象的

button = browser.find_element_by_name(‘wd’)

print(button)

根据xpath语句来获取对象

button = browser.find_element_by_xpath(’//input[@id=“su”]’)

print(button)

根据标签的名字来获取对象

button = browser.find_element_by_tag_name(‘input’)

print(button)

使用的bs4的语法来获取对象

button = browser.find_element_by_css_selector(’#su’)

print(button)

button = browser.find_element_by_link_text(‘新闻’)

print(button)

【元素信息及交互】

from selenium import webdriver

path = ‘chromedriver.exe’

browser = webdriver.Chrome(path)

url = ‘https://www.baidu.com’

browser.get(url)

input = browser.find_element_by_id(‘su’)

# 获取标签的属性

print(input.get_attribute(‘class’))

# 获取标签的名字

print(input.tag_name)

# 获取元素文本

print(input.text)

import urllib.request
from selenium import webdriver

创建浏览器对象

path = ‘chromedriver.exe’
browser = webdriver.Chrome(path)

url

url = ‘https://cn.bing.com/’

创建浏览器的操作对象

browser.get(url)

import time
time.sleep(2)

获取文本框的对象

input = browser.find_element_by_id(‘sb_form_q’)

在文本框中发送内容

input.send_keys(‘周杰伦’)

time.sleep(2)

获取搜索的按钮(注意确定该id的具体是哪个标签的id)

button = browser.find_element_by_id(‘search_icon’)

点击按钮

button.click()

time.sleep(2)

滑到底部

js_bottom = ‘document.documentElement.scrollTop=100000’
browser.execute_script(js_bottom)

time.sleep(2)

next_page = browser.find_element_by_xpath(’//a[@class="sb_pagN sb_pagN_bp b_widePag sb_bp "]’)

点击下一页

next_page.click()

time.sleep(5)

回到上一页

browser.back()

time.sleep(3)

回去 Goes one step forward in the browser history

browser.forward()

time.sleep(3)

退出

browser.quit()

print(input)

【phantomjs的基本操作】

selenium最新的版本中不包含Phontomjs了

需要使用 pip install selenium==2.48.0

from selenium import webdriver

from selenium.webdriver.chrome import options

from selenium.webdriver.chrome.options import Options

创建浏览器对象

path = ‘phantomjs.exe’

options = Options()

options.add_argument(’-headless’)

browser = webdriver.PhantomJS(path)

访问地址

url = ‘https://cn.bing.com/’
browser.get(url)

import time

time.sleep(2)

获取搜素框对象

input = browser.find_element_by_id(‘sb_form_q’)

向搜索框发送内容

input.send_keys(‘CSDN’)

time.sleep(3)

获取搜素按钮的对象

button = browser.find_element_by_id(‘search_icon’)

点击搜素按钮

button.click()

time.sleep(3)

将页面滑到最下面

js_bottom = ‘document.documentElement.scrollTop=100000’

browser.execute_script(js_bottom)

js_bottom = ‘document.documentElement.scrollTop=100000’
browser.execute_script(js_bottom)

time.sleep(3)

获取下一页的按钮

next_page = browser.find_element_by_xpath(’//a[@class="sb_pagN sb_pagN_bp b_widePag sb_bp "]’)

next_page.click()

time.sleep(3)

拍摄快照

browser.save_screenshot(‘cn_bing.png’)

【handless基本操作】

需要本地的Chrome的chrome.exe地址

C:\Program Files\Google\Chrome\Application

from selenium import webdriver

from selenium.webdriver.chrome.options import Options

# 固定配置

chrome_options = Options()

chrome_options.add_argument(’–headless’)

chrome_options.add_argument(’–disable-gpu’)

# path是自己本地chrome浏览器的文件路径

path = r’C:\Program Files\Google\Chrome\Application\chrome.exe’

chrome_options.binary_location = path

browser = webdriver.Chrome(chrome_options = chrome_options)

url = ‘https://cn.bing.com’

browser.get(url)

# 对页面进行快照保存

browser.save_screenshot(‘bing.png’)

【封装handless】

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import random
import time

def share_browser(ip):
chrome_options = Options()
chrome_options.add_argument(’–headless’)
chrome_options.add_argument(’–disable-gpu’)
# 使用代理服务器
# print(ip): 此处是=等于号
print(ip)
chrome_options.add_argument(’–proxy-server=http://’+ ip)
# chrome_options.add_argument(’–proxy-server=http://14.20.235.32:45770’)

# 此处的r是什么意思呢？  使用r就防止了\n的转义 放置转义
path = r'C:\Program Files\Google\Chrome\Application\chrome.exe'
browser = webdriver.Chrome(chrome_options = chrome_options)
return browser

if name == ‘main’:
proxies_pool = [
‘220.135.165.38:8080’,
‘183.195.106.118:8118’,
‘121.232.148.118:9000’,
‘117.41.38.19:9000’
]

proxy_ip = random.choice(proxies_pool)

browser = share_browser(proxy_ip)

# *******该地址会返回访问的ip地址**********
# url = 'http://httpbin.org/ip'
# browser.get(url)
# 用于测试代理是否起到作用
# print(browser.page_source)
# time.sleep(20)

url = 'http://httpbin.org/ip'
# url = 'https://ip.cn/'
browser.get(url)
print(browser.page_source)
# time.sleep(2)
# browser.save_screenshot('ip.png')

browser.quit()

print('执行完成')

【requests】
1、基本使用
1、文档
官网文档
http://cn.python-requests.org/zh_CN/latest/
快速上手
http://cn.python-requests.org/zh_CN/latest/user/quickstart.html
2、安装
pip install requests
3、response的属性以及类型
类型：models.Response
r.text : 获取网站源码
r.encoding ：访问或定制编码方式
r.url : 获取请求的url
r.content : 响应的字节类型
r.status_code : 响应的状态码
r.headers : 响应的头信息