Selenium模拟用户操作

爬虫(Spider卡塔尔(قطر‎,反爬虫(Anti-Spider卡塔尔国,反反爬虫(Anti-Anti-Spider卡塔尔(英语:State of Qatar)之间恢宏壮阔的缩手观看争…

  • 小莫想要某站上全数的摄像,写了专门的职业的爬虫(基于HttpClient库卡塔尔(قطر‎,不断地遍历某站的影片列表页面,依据Html 解析电影名字存进本人的数据库。

  • 以此站点的运营小黎发掘有些时刻段伏乞量陡增,解析日志开掘都是IP(xxx.xxx.xxx.xxx卡塔尔(قطر‎这一个客户,并且 user-agent 依旧Python-urllib/2.7 ,基于这两点决断非人类后向来在服务器上封杀。

  • 小莫电影只爬了十分之五,于是也针对的转移了下计谋:1. user-agent
    仿照百度(“Baiduspider…”卡塔尔(英语:State of Qatar),2. IP每爬半个小时就换一个IP代理。

  • 小黎也发觉了对应的变动,于是在服务器上设置了一个频率限定,每分钟超过124遍呼吁的再屏蔽IP。
    同有的时候候思忖到百度家的爬虫有希望会被失误伤害,思考市镇机构每月几十万的排泄,于是写了个本子,通过
    hostname 检查下这一个 ip 是或不是真的百度家的,对那一个 ip
    设置一个白名单。

  • 小莫发掘了新的限量后,想着作者也不急着要那么些数据,留给服务器慢慢爬吧,于是改善了代码,随机1-3秒爬叁遍,爬11遍停息10秒,每日只在8-12,18-20点爬,隔几天还苏息一下。

  • 小黎望着新的日志头都大了,再设定准绳十分大心会损伤真实客户,于是希图换了叁个思路,当3个钟头的总须要超越肆十九回的时候弹出叁个验证码弹框,未有准确输入的话就把
    IP 记录进黑名单。

  • 小莫看见验证码有个别傻脸了,可是亦非从未有过办法,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,形式操练今后,简单来说最终识别了小黎的验证码(关于验证码,验证码的分辨,验证码的反识别也是叁个扩充壮丽的努力史…),之后爬虫又跑了四起。

  • 小黎是个坚强的好同学,看见验证码被攻占后,和开支同学商量了变动下开荒格局,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,同时加密库再拓宽模糊。

  • 指鹿为马过的加密库就从不章程了么?当然不是,能够渐渐调试,找到加密原理,可是小恐怕筹划用这么耗费时间耗力的点子,他遗弃了基于
    HttpClient的爬虫,选用了安置浏览器引擎的爬虫(关键词:PhantomJS,Selenium卡塔尔(英语:State of Qatar),在浏览器引擎运营页面,直接拿走了不易的结果,又贰遍获得了对方的多寡。

  • 小黎:…..

Selenium

 Selenium是二个Web的自动化测量检验工具,最先是为网址自动化测量检验而支付的,类型像大家玩游戏用的开关Smart,可以按钦点的一声令下自动操作,不一致是Selenium
能够直接运维在浏览器上,它扶助具备主流的浏览器(包罗PhantomJS这个无分界面包车型大巴浏览器)。

Selenium
可以依据大家的一声令下,让浏览器自动加载页面,获取必要的数量,以致页面截屏,可能判定网址上或多或少动作是否产生。

Selenium
自身不带浏览器,不帮忙浏览器的机能,它供付与第三方浏览器结合在一同技术使用.

下载selenium webdriver
‘geckodriver.exe’,下载好前存放python目录里面

firefox的目录也要增多到情状变量中

Selenium Curry有个叫 WebDriver 的
API。WebDriver 有一些儿像能够加载网址的浏览器,可是它也足以像
BeautifulSoup 大概此外 Selector
对象相近用来搜寻页面成分,与页面上的要素进行人机联作(发送文书、点击等卡塔尔(英语:State of Qatar),甚至实施其它动作来运营网络爬虫。

selenium飞速入门

#!/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()

1.页面操作

倘若有上边包车型地铁输入框

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

探索办法

# 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']")

2.稳固成分的办法

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

3.鼠标动作

#!/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()

4.Select表单

越过下来框须要选拔操作时,Selenium特地提供了Select类来拍卖下拉框

# 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")

如上是三种选取下拉框的方法,它能够依照目录来筛选,能够借助值来选择,能够依附文字来抉择。注意:

  • index 索引从 0 开始
  • value是option标签的贰个属性值,并非显得在下拉框中的值
  • visible_text是在option标签文本的值,是显示在下拉框的值

万事打消方法

select.deselect_all()

5.弹窗管理

当页面现身了弹窗提醒

alert = driver.switch_to_alert()

6.页面切换

三个浏览器确定会有相当多窗口,所以大家必然要有法子来兑现窗口的切换。切换窗口的法子如下:

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

7.页前边进和向下

操作页面包车型大巴演变和退化效用:

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

实例
模拟登录douban网址

#!/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—>>>爬取东风吹马耳鱼全体房间名,听公众数

(1)首先解析‘’下黄金年代页‘’的class变化,借使不是末了风流倜傥页的时候,‘下少年老成页’的class如下

 图片 1

(2)假诺到了最后风华正茂页,‘下意气风发页’变为隐蔽,点击不了,class变为如下

图片 2

(3)找到个房间的名字和观者人数的class

图片 3

(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:

图片 4

 

发表评论

电子邮件地址不会被公开。 必填项已用*标注