爬虫入门 & Selenium使用

爬虫入门 & Selenium使用

特别声明：本教程只用于教学，大家在使用爬虫过程中需要遵守相关法律法规，否则后果自负！！！

• 项目代码：https://github.com/ziyifast/ziyifast-code_instruction/tree/main/python-demo/spider-demo/selenium

爬虫入门

概念

爬虫通俗点就是，我们通过代码的方式向浏览器发送请求获取我们想要的数据。因为整个互联网像是一个巨大的网，我们像是蜘蛛在网上面搜索我们要的东西，所以又叫爬虫。

流程：

1. 我们通过向服务器发送请求
2. 服务器响应网页数据(html+css+js等)
3. 我们通过特定语言定位我们想要的数据（xpath、jsonpath、bs4等）
4. 解析出数据，下载保存到数据库，或导出为报表

详细文档：https://blog.csdn.net/weixin_45565886/article/details/129544034

元素定位：xpath

既然我们要从服务器响应的数据中定位并获取数据，就不得不使用特定语言，这里介绍比较主流的xpath。

插件安装：xpath helper

建议大家在浏览器安装xpath插件，这样我们可以一边看网页，一边写xpath，更方便定位元素位置，提升效率。

链接: https://pan.baidu.com/s/1CqYfYzoNvjUadT3hpE0ewA 提取码: 4w34

1. 将插件进行解压，在访达里面直接双击就解压了
   

2. 打开谷歌浏览器，选择右上方三个小点，找到更多工具，找到扩展程序点击进去（不同版本，可能有区别。如果更多工具处没找到扩展程序，点击设置按钮进入页面）
   

3. 打开右上角的开发者模式

4. 将解压好的插件包拖进来就OK，注意：跟Windows不同的是这个就是一个文件夹，名为xpath，将这一整个文件夹拖进去

5. 将xpath插件选择启用就完成了，如果浏览器上还是没有出现xpath插件，将插件重新加载就OK

6. 打开网页->xpath在mac上的打开与关闭的快捷键为：command + shift + x。也可以直接点击插件进行启用
   

语法

语法详情：
https://www.w3school.com.cn/xpath/xpath_syntax.asp
https://www.runoob.com/xpath/xpath-tutorial.html

xpath基本语法: 
1.路径查询 
//:查找所有子孙节点，不考虑层级关系 
/ :找直接子节点 
2.谓词查询 
//div[@id] 
//div[@id="maincontent"] 
3.属性查询 
//@class 
4.模糊查询 
//div[contains(@id, "he")]
//div[starts‐with(@id, "he")] 
5.内容查询 
//div/h1/text() 
6.逻辑运算 
//div[@id="head" and @class="s_down"]
//title | //price

案例：定位百度搜索按钮

1. F12或option+command+i 打开开发者工具查看源码
   
2. 发现百度一下按钮在input标签下，且id=su。那么对应的xpath就为：//input[@id="su"]
   代表从html页面根开始查找其input标签且id=su的子孙元素

• 如果想拿到百度一下这四个字：//input[@id="su"]/@value> 3. 转换为对应python代码

# 安装依赖：pip install lxml
import urllib.request
from lxml import etree

url = "http://www.baidu.com"
response = urllib.request.urlopen(url)
content = response.read().decode('utf-8')
web_html = etree.HTML(content)

# 使用XPath选择器找到id为"su"的<input>元素，并获取其"value"属性值
result = web_html.xpath('//input[@id="su"]/@value')

print(result)

项目实战

Selenium：模拟用户操作浏览器

概念

web应用程序测试工具，模拟用户操作浏览器

Selenium是一个用于Web应用程序测试的工具。Selenium 测试直接运行在浏览器中，就像真正的用户在操作一样。

环境搭建

1. 安装Google驱动

安装Google驱动（打开谷歌浏览器，设置-关于-查看对应Google版本），然后进入下面网址下载
https://googlechromelabs.github.io/chrome-for-testing/#stable

• 选择对应版本（chrome driver驱动版本+chrome驱动对应架构）
  

2. 安装selenium

pip install selenium

项目实战

01_selenium_demo.py：

from selenium import webdriver
from selenium.webdriver.common.by import By


# 设置驱动路径、创建浏览器对象
browser = webdriver.Chrome('/Users/ziyi/GolandProjects/ziyifast-code_instruction/python-demo/spider-demo/selenium/chromedriver')

browser.get("https://www.baidu.com")

import time
time.sleep(2)
# 获取文本框对象
input = browser.find_element(By.ID,"kw")
# 输入curry
input.send_keys('curry')
# 休眠2s观察效果
time.sleep(2)
# 获取百度一下按钮
search_button = browser.find_element(By.ID,'su')
# 点击按钮
search_button.click()
time.sleep(2)
# 滑动浏览器页面
js_bottom = 'document.documentElement.scrollTop=100000'
browser.execute_script(js_bottom)
time.sleep(2)
# 获取下一页按钮
next = browser.find_element(By.XPATH,'//a[@class="n"]')
# 点击下一页
next.click()
# 回到上一页面
browser.back()
time.sleep(1)
# 前进一个页面
browser.forward()
time.sleep(2)
# 退出浏览器
browser.quit()

如果运行项目出现告警：NotOpenSSLWarning: urllib3 v2 only supports OpenSSL 1.1.1+, currently the ‘ssl’ module is compiled with ‘LibreSSL 2.8.3’
解决：pip install urllib3==1.26.15

运行效果：浏览器自动打开并进行操作

Selenium+PhantomJS：无需打开浏览器即可完成数据爬取，效率更快

概念

PhantomJS 是一个无头浏览器，它提供了一个可编程的JavaScript API，允许开发者在没有用户界面的情况下执行浏览器相关的操作。由于不进行css和gui渲染，运行效率要比真实的浏览器要快很多。

环境搭建

下载地址：https://phantomjs.org/download.html

# 需要注意最新版的selenium不支持phantomjs
# 如果要使用phantomjs，需要安装之前版本2.48.0
pip uninstall selenium 
pip install selenium==2.48.0

项目实战

selenium/02_phantomjs_demo.py：

# phantomJs: 无页面浏览器，支持页面元素查找、js执行；由于不支持css和gui渲染，运行效率比真实浏览器快很多
# Selenium： 可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生。
# Selenium 自己不带浏览器，不支持浏览器的功能，它需要与第三方浏览器结合在一起才能使用。
# 但是我们有时候需要让它内嵌在代码中运行，所以我们可以用一个叫 Phantomjs 的工具代替真实的浏览器。
from selenium import webdriver
browser = webdriver.PhantomJS("/Users/ziyi/GolandProjects/ziyifast-code_instruction/python-demo/spider-demo/selenium/phantomjs")
browser.get("http://www.baidu.com")
# 拍快照，证明成功访问了百度
browser.save_screenshot("baidu.png")

Selenium+chrome headless：chrome新版原生支持无界面运行

概念

随着Chrome59版本推出Headless模式（无界面模式）以来，越来越多人采用Selenium+Headless Chrome模式
selenium+headless VS selenium+phantomjs

• Headless Chrome加载速度比PhantomJS快55%
• Headless Chrome消耗内存比PhantomJS少38%
  数据来源：https://hackernoon.com/benchmark-headless-chrome-vs-phantomjs-e7f44c6956c

环境搭建

Chrome

• Unix\Linux 系统需要 chrome >= 59
• Windows 系统需要 chrome >= 60 Python3.6
  • Selenium==3.4.*
  • ChromeDriver==2.31

项目实战

03_chrome_headless_demo.py：

# 随着Chrome59版本推出Headless模式（无界面模式）以来，越来越多人采用Selenium+Headless Chrome模式，实现自动化测试+爬虫。
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')