【亚洲必赢官网】爬虫与反爬虫的战事,python爬虫入门

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),这中间的拼搏恢宏壮阔…

Selenium

Selenium是2个Web的自动化测试工具,最初是为网站自动化测试而开发的,类型像大家玩游戏用的按键天使,能够按钦赐的授命自动操作,不相同的是Selenium能够一向运转在浏览器上,它协理具备主流的浏览器(包罗PhantomJS这个无界面包车型地铁浏览器)。

Selenium能够依照大家的授命,让浏览器自动加载页面,获取必要的多寡,甚至页面截屏,恐怕判断网站上有个别动作是否产生。

Selenium本人不带浏览器,不扶助浏览器的机能,它须求与第贰方浏览器结合在联合才能选用。可是大家大多数时候须要让它内嵌在代码中运作,所以大家能够用三个叫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
第一方管理器 pip用命令安装:pip install selenium

Selenium
官方参考文书档案:

  • 小莫想要某站上全体的影片,写了行业内部的爬虫(基于HttpClient库),不断地遍历某站的摄像列表页面,依照Html 分析电影名字存进本身的数据库。

  • 那一个站点的运行小黎发现某些时刻段请求量陡增,分析日志发现都以IP(xxx.xxx.xxx.xxx)那一个用户,并且 user-agent 依旧Python-urllib/2.7 ,基于那两点判断非人类后平昔在服务器上封闭扼杀。

  • 小莫电影只爬了大体上,于是也针对的更换了下策略:1. user-agent
    模仿百度(“Baiduspider…”),2. IP每爬半个钟头就换二个IP代理。

  • 小黎也发觉了对应的转变,于是在服务器上安装了二个频率限制,每分钟超越124回呼吁的再屏蔽IP。
    同时考虑到百度家的爬虫有或许会被误伤,想想市镇部门每月几七千0的排泄,于是写了个剧本,通过
    hostname 检查下这一个 ip 是否真的百度家的,对这么些 ip
    设置三个白名单。

  • 小莫发现了新的范围后,想着笔者也不急着要这个多少,留给服务器逐步爬吧,于是修改了代码,随机1-3秒爬二回,爬十遍休息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,再设定规则相当的大心会有剧毒真实用户,于是准备换了1个思路,当贰个小时的总请求当先肆拾陆回的时候弹出四个验证码弹框,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,可是也不是不曾艺术,先去学学了图像识别(关键词
    PIL,tesseract),再对验证码实行了二值化,分词,格局陶冶之后,综上可得最后识别了小黎的验证码(关于验证码,验证码的辨识,验证码的反识别也是一个扩大壮丽的奋斗史…),之后爬虫又跑了起来。

  • 小黎是个坚强的好同学,看到验证码被占领后,和开销同学切磋了变化下支付情势,数据并不再直接渲染,而是由前端同学异步获取,并且通过
    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,可是小莫不准备用那样耗时耗力的法子,他扬弃了根据HttpClient的爬虫,采纳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,直接获得了不错的结果,又一遍得到了对方的数码。

  • 小黎:…..

Selenium

爬虫(Spider),反爬虫(Anti-Spider),反反爬虫(Anti-Anti-Spider),那之间的斗争恢宏壮阔…

Day 1
小莫想要某站上全体的影视,写了专业的爬虫(基于HttpClient库),不断地遍历某站的电影列表页面,依照Html 分析电影名字存进自身的数据库。
其一站点的运转小黎意识有些时刻段请求量陡增,分析日志发现都以IP(1.1.1.1)那几个用户,并且 useragent 依旧 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。

PhantomJS

PhantomJS是贰个依照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,因为不会议及展览示图形界面,所以运维起来比完全的浏览器要高速。

如果大家把Selenium和PhantomJS结合在共同,就足以运作三个非常强大的互联网爬虫了,那些爬虫能够拍卖JavaScript、Cookie、headers,以及任何大家真正用户必要做的工作。

在意:PhantomJS
只好从它的官方网站 下载。 因为
PhantomJS 是2个效率完善(即使无界面)的浏览器而非3个 Python
库,所以它不需求像 Python
的别的库一样安装,但大家得以经过Selenium调用PhantomJS来一直运用。

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

 Selenium是三个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,能够按钦点的吩咐自动操作,差异是Selenium
能够一贯运营在浏览器上,它支持具备主流的浏览器(包蕴PhantomJS那么些无界面包车型客车浏览器)。

Day 1

小莫想要某站上全体的影片,写了正规化的爬虫(基于HttpClient库),不断地遍历某站的影视列表页面,依据Html 分析电影名字存进自身的数据库。
【亚洲必赢官网】爬虫与反爬虫的战事,python爬虫入门。本条站点的运转小黎发现某些时间段请求量陡增,分析日志发现都以IP(1.1.1.1)这些用户,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,于是也本着的转移了下策略:1. useragent
模仿百度(“Baiduspider…”),2. IP每爬半个钟头就换八个IP代理。
小黎也发现了相应的变型,于是在 Nginx
上设置了1个成效限制,每秒钟超越120遍呼吁的再屏蔽IP。
同时考虑到百度家的爬虫有大概会被误伤,想想市场机构每月几100000的投放,于是写了个本子,通过
hostname 检查下那个 ip 是还是不是真的百度家的,对那一个 ip 设置一个白名单。

火速入门

SeleniumCurry有个叫WebDriver的API。WebDriver有点儿像能够加载网站的浏览器,不过它能够像BeautifulSoup只怕别的Selector对象一样用来寻找页面成分,与页面上的元素举行互动(发送文书、点击等),以及实践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
能够依据大家的一声令下,让浏览器自动加载页面,获取须求的数量,甚至页面截屏,或许判断网站上有个别动作是或不是产生。

Day 2

小莫电影只爬了二分之一,于是也针对的转换了下策略:1. useragent
仿照百度(“Baiduspider…”),2. IP每爬半个小时就换八个IP代理。
小黎也发觉了相应的变迁,于是在 Nginx
上安装了2个功效限制,每分钟超越1二十一回呼吁的再屏蔽IP。
同时考虑到百度家的爬虫有大概会被误伤,想想市镇部门每月几八万的投放,于是写了个剧本,通过
hostname 检查下这些 ip 是否真的百度家的,对那些 ip 设置3个白名单。

Day 3
小莫发现了新的限定后,想着作者也不急着要那几个多少,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,于是准备换了八个思路,当二个钟头的总请求超越肆拾七回的时候弹出贰个验证码弹框,没有准确科学输入的话就把
IP 记录进黑名单。

页面操作

Selenium的WebDriver提供了各类艺术来寻觅成分,要是上边有2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,不协理浏览器的职能,它须求与第2方浏览器结合在协同才能使用.

Day 3

小莫发现了新的限量后,想着作者也不急着要那一个数量,留给服务器稳步爬吧,于是修改了代码,随机1-3秒爬3次,爬14回休息10秒,天天只在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,再设定规则非常的大心会有剧毒真实用户,于是准备换了一个思路,当二个钟头的总请求当先肆16回的时候弹出一个验证码弹框,没有标准科学输入的话就把
IP 记录进黑名单。

Day 4
小莫看到验证码有些傻脸了,可是也不是尚未主意,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,方式训练以后,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3个恢宏壮丽的斗争史,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,看到验证码被攻占后,和付出同学商讨了变化下开发形式,数据并不再直接渲染,而是由前端同学异步获取,并且经过
js 的加密库生成动态的
token,同时加密库再实行模糊(比较重要的步调的确有网站那样做,参见搜狐的登陆流程)。

定位UI元素(webElements)

有关成分的选用:

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’,下载好后放到python目录里面

Day 4

小莫看到验证码某些傻脸了,可是也不是未曾主意,先去读书了图像识别(关键词
PIL,tesseract),再对验证码进行了二值化,分词,格局磨炼之后,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3个增加壮丽的斗争史,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,看到验证码被拿下后,和费用同学钻探了变化下开发情势,数据并不再直接渲染,而是由前端同学异步获取,并且经过
js 的加密库生成动态的
token,同时加密库再举办模糊(相比根本的步骤的确有网站那样做,参见今日头条的登陆流程)。

Day5
指鹿为马过的加密库就一贯不办法了么?当然不是,能够逐步调节和测试,找到加密原理,可是小或然准备用如此耗费时间耗力的办法,他放任了依照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
加密脚本算出了不利的结果,又一遍得到了对方的多少。
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

混淆过的加密库就从未艺术了么?当然不是,能够稳步调节和测试,找到加密原理,不过小莫不准备用如此耗时耗力的措施,他遗弃了依照HttpClient的爬虫,接纳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,又三回获得了对方的多寡。
小黎:…..

爬虫与发爬虫的埋头苦干还在三番五次。
亚洲必赢官网,但是实在行使时候,一般我们做到依照 IP
限制频次就终止了,除非相当大旨的数据,不会再拓展越来越多的认证,毕竟工程的难点二分一是基金的难题。

有关高效部分,一些 Tips:
1.尽量压缩请求次数,能抓列表页就不抓详情页
2.不用只看 Web 网站,还有 App 和 H5,他们的反爬虫措施一般相比较少
3.如若真的对质量要求很高,能够考虑二十四线程(一些成熟的框架如
scrapy都已支持),甚至分布式

 

作者:申玉宝
链接:

 

爬虫与发爬虫的斗争还在此起彼伏。
然而实在运用时候,一般我们做到依照 IP
限制频次就得了了,除非非常的大旨的数码,不会再展开越来越多的认证,毕竟工程的标题四分之二是资金财产的难题。

2.by name

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

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

Selenium 库里有个叫 WebDriver 的
API。WebDriver 有点儿像能够加载网站的浏览器,可是它也足以像
BeautifulSoup 可能其他 Selector
对象一样用来探寻页面成分,与页面上的因素实行交互
(发送文书、点击等),以及执行别的动作来运作互联网爬虫。

至于高效部分,一些 Tips:
1.尽量回落请求次数,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比较少
3.借使真的对品质须要很高,能够设想多线程(一些三思而后行的框架如
scrapy都已协理),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急忙入门

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")

万一有上边包车型客车输入框

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")

摸索办法

鼠标动作链

稍稍时候,大家要求在页面上效仿一些鼠标操作,比如双击、右击、拖拽甚至按住不动等,大家能够通过导入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

咱们曾经知道了什么向文本框中输入文字,不过有时我们会赶上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>

  亚洲必赢官网 1

Selenium专门提供了select类来处理下拉框。其实WebDriver中提供了八个叫Select的法门,能够帮忙大家达成这个工作:

# 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")

以上是三种选取下拉框的方式,能够根据目录来选取、依据值来抉择、依据文字内容来抉择。注意:

  • index 索引从0开始
  • value 是option标签的叁个属性值,并不是彰显在下拉框中的值
  • visible_text 是option标签文本的值,是突显在下拉框的值

漫天撤废采取:select.deselect_all()

2.固定成分的方法

弹窗处理

当你触发了有个别事件之后,页面出现了弹窗提示,处理那些提醒也许取得提醒音讯方法:

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

一个浏览器肯定会有好多窗口,所以大家必将要有点子来落实窗口的切换。切换窗口的法子如下:

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

也足以采纳window_handles 方法来获得每一个窗口的操作对象。

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

3.鼠标动作

页前边进和退化

操作页面包车型大巴开拓进取和滞后作用:

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

取得页面各个Cookie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

当今的网页愈来愈多的运用了Ajax技术,那样程序便不可能显明几时页面完全加载成功。如若实际页面等待时间过长导致有些dom成分还没出来,可是你的代码直接运用了这些WebElement,那么就会抛出NullPointer的非凡。

为了幸免那种成分定位困难而且说不定会造成抛万分,所以Selenium提供了两种等待格局,一种是隐式等待,一种是显式等待。

隐式等待是等待特定的小时,等待是点名某一个标准化建立即继续执行。

欣逢下来框要求选拔操作时,Selenium专门提供了Select类来拍卖下拉框

隐式等待

隐式等待相比不难,就是简单地安装一个等候时间,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

显式等待为钦点有些条件,然后设置最长等待时间。即使在这些小时内,内定条件建立,则继续往下进行;如果在那个时刻,钦赐条件还未创建,那么便会抛出尤其。

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()

比方不写参数,程序默许会0.5s调用2回来查阅元素是或不是业已加载成功,假诺本来成分便是存在的,那么会登时重临。

下边是一些平放的等候条件,能够直接调用这几个条件,而不用自身写一些等待条件了。

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

理所当然若是不安装,暗许等待时间为0。

 

如上是三种选择下拉框的办法,它能够依据目录来挑选,能够依据值来选择,能够依据文字来抉择。注意:

  • index 索引从 0 开始
  • value是option标签的1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,是显得在下拉框的值

任何裁撤方法

select.deselect_all()

5.弹窗处理

当页面出现了弹窗提醒

alert = driver.switch_to_alert()

6.页面切换

1个浏览器肯定会有过多窗口,所以大家一定要有措施来促成窗口的切换。切换窗口的格局如下:

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

7.页前边进和倒退

操作页面包车型大巴向上和向下作用:

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,听芸芸众生数

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

 亚洲必赢官网 2

(2)若是到了最后一页,‘下一页’变为隐藏,点击不了,class变为如下

亚洲必赢官网 3

(3)找到个房间的名字和听众人数的class

亚洲必赢官网 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:

亚洲必赢官网 5

 

网站地图xml地图