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),这之间的努力恢宏壮阔…

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支付的,类型像我们玩游戏用的按键天使,能够按钦赐的命令自动操作,分化的是Selenium能够向来运营在浏览器上,它协助具备主流的浏览器(包涵PhantomJS这么些无界面包车型地铁浏览器)。

Selenium能够依据大家的命令,让浏览器自动加载页面,获取须要的数码,甚至页面截屏,恐怕判断网站上或多或少动作是或不是产生。

Selenium自个儿不带浏览器,不扶助浏览器的成效,它供给与第②方浏览器结合在共同才能选用。不过大家大多数时候需要让它内嵌在代码中运作,所以我们能够用二个叫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 ,也得以用
第壹方管理器 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录制,写了标准的爬虫(基于HttpClient库),不断地遍历某站的影片列表页面,依照Html 分析电影名字存进自个儿的数据库。

  • 以此站点的运营小黎发现有个别时间段请求量陡增,分析日志发现都是IP(xxx.xxx.xxx.xxx)那一个用户,并且 user-agent 还是Python-urllib/2.7 ,基于那两点判断非人类后一向在服务器上封杀。

  • 小莫电影只爬了大体上,于是也针对的转换了下策略:1. user-agent
    模拟百度(“Baiduspider…”),2. IP每爬半个钟头就换3个IP代理。

  • 小黎也发现了对应的转变,于是在服务器上安装了3个频率限制,每分钟超越1二十二次呼吁的再屏蔽IP。
    同时考虑到百度家的爬虫有可能会被误伤,想想市集部门每月几70000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,对这个 ip
    设置1个白名单。

  • 小莫发现了新的限定后,想着笔者也不急着要那些多少,留给服务器慢慢爬吧,于是修改了代码,随机1-3秒爬三回,爬11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,再设定规则十分大心会贻误真实用户,于是准备换了1个思路,当2个小时的总请求超过四十八次的时候弹出2个验证码弹框,没有科学输入的话就把
    IP 记录进黑名单。

  • 小莫看到验证码某个傻脸了,不过也不是从未有过办法,先去学习了图像识别(关键词
    PIL,tesseract),再对验证码进行了二值化,分词,形式磨练现在,不问可见最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3个扩展壮丽的创新优品史…),之后爬虫又跑了四起。

  • 小黎是个坚强的好同学,看到验证码被一锅端后,和付出同学钻探了变通下支付格局,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,同时加密库再展开模糊。

  • 模糊过的加密库就从未有过办法了么?当然不是,能够渐渐调节和测试,找到加密原理,然而小或许准备用那样耗费时间耗力的主意,他舍弃了依据HttpClient的爬虫,选拔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,又三回得到了对方的多寡。

  • 小黎:…..

Selenium

爬虫(Spider),反爬虫(Anti-Spider),反反爬虫(Anti-Anti-Spider),那里面包车型地铁创新优品恢宏壮阔…

Day 1
小莫想要某站上全部的录制,写了行业内部的爬虫(基于HttpClient库),不断地遍历某站的影片列表页面,根据Html 分析电影名字存进自个儿的数据库。
其一站点的运营小黎发现有个别时间段请求量陡增,分析日志发现都以IP(1.1.1.1)这一个用户,并且 useragent 依旧 JavaClient1.6
,基于那两点判断非人类后平昔在Nginx 服务器上封闭扼杀。

PhantomJS

PhantomJS是1个基于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实施页面上的JavaScript,因为不会显示图形界面,所以运维起来比完全的浏览器要高效。

假如大家把Selenium和PhantomJS结合在一起,就能够运营一个丰硕强大的网络爬虫了,这些爬虫能够处理JavaScript、Cookie、headers,以及别的大家实际用户供给做的事务。

小心:PhantomJS
只好从它的官方网站 下载。 因为
PhantomJS 是1个功用完善(即使无界面)的浏览器而非一个 Python
库,所以它不需求像 Python
的任何库一样安装,但大家能够透过Selenium调用PhantomJS来直接使用。

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

 Selenium是3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,类型像我们玩游戏用的按键精灵,能够按钦定的命令自动操作,不相同是Selenium
能够直接运转在浏览器上,它协理具备主流的浏览器(蕴涵PhantomJS那一个无界面包车型大巴浏览器)。

Day 1

怎样高效地爬多量数码,爬虫与反爬虫的固态颗粒物。小莫想要某站上全数的影视,写了正式的爬虫(基于HttpClient库),不断地遍历某站的录制列表页面,依据Html 分析电影名字存进本身的数据库。
这一个站点的运转小黎意识有个别时刻段请求量陡增,分析日志发现都以IP(1.1.1.1)那几个用户,并且 useragent 照旧 JavaClient1.6
,基于那两点判断非人类后向来在Nginx 服务器上封杀。

Day 2
小莫电影只爬了1/2,于是也针对的更换了下策略:1. useragent
效仿百度(“Baiduspider…”),2. IP每爬半个小时就换二个IP代理。
小黎也意识了相应的生成,于是在 Nginx
上安装了1个功能限制,每分钟超过1贰十四遍呼吁的再屏蔽IP。
同时考虑到百度家的爬虫有恐怕会被误伤,想想市镇部门每月几七千0的投放,于是写了个剧本,通过
hostname 检查下那几个 ip 是否真的百度家的,对这一个 ip 设置四个白名单。

迅猛入门

SeleniumCurry有个叫WebDriver的API。WebDriver有点儿像能够加载网站的浏览器,但是它能够像BeautifulSoup可能别的Selector对象一样用来探寻页面成分,与页面上的因素进行互相(发送文书、点击等),以及执行此外动作来运营网络爬虫。

#!/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
能够依照大家的通令,让浏览器自动加载页面,获取必要的多少,甚至页面截屏,也许判断网站上或多或少动作是否爆发。

Day 2

小莫电影只爬了50%,于是也针对的变换了下策略:1. useragent
效仿百度(“Baiduspider…”),2. IP每爬半个小时就换多少个IP代理。
小黎也意识了相应的变迁,于是在 Nginx
上设置了四个效能限制,每秒钟超越1贰十二遍呼吁的再屏蔽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捌仟0的投放,于是写了个剧本,通过
hostname 检查下那些 ip 是否真的百度家的,对那一个 ip 设置三个白名单。

Day 3
小莫发现了新的限定后,想着作者也不急着要那个数量,留给服务器逐步爬吧,于是修改了代码,随机1-3秒爬叁回,爬10次休息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,再设定规则相当的大心会拖延真实用户,于是准备换了一个思路,当二个钟头的总请求当先四15遍的时候弹出三个验证码弹框,没有可信赖科学输入的话就把
IP 记录进黑名单。

页面操作

Selenium的WebDriver提供了各个办法来寻觅成分,假设上面有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,不辅助浏览器的功力,它供给与第壹方浏览器结合在联合才能使用.

Day 3

小莫发现了新的限制后,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秒爬一遍,爬13回休息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,再设定规则非常的大心会推延真实用户,于是准备换了一个思路,当一个钟头的总请求超越四拾陆次的时候弹出3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,不过也不是没有办法,先去学习了图像识别(关键词
PIL,tesseract),再对验证码举行了二值化,分词,方式练习未来,识别了小黎的验证码(关于验证码,验证码的甄别,验证码的反识别也是1个恢宏壮丽的斗争史,那里先不展开….),之后爬虫又跑了四起。
小黎是个坚强的好同学,看到验证码被打下后,和支出同学讨论了扭转下支付情势,数据并不再直接渲染,而是由前端同学异步获取,并且经过
js 的加密库生成动态的
token,同时加密库再展开模糊(比较主要的手续的确有网站那样做,参见和讯的登陆流程)。

定位UI元素(webElements)

关于成分的挑选:

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,但是也不是从未艺术,先去学习了图像识别(关键词
PIL,tesseract),再对验证码进行了二值化,分词,情势训练今后,识别了小黎的验证码(关于验证码,验证码的甄别,验证码的反识别也是3个扩张壮丽的斗争史,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,看到验证码被一锅端后,和成本同学探究了变更下开发形式,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,同时加密库再展开模糊(比较根本的手续的确有网站那样做,参见博客园的登陆流程)。

Day5
混淆过的加密库就从未有过章程了么?当然不是,能够稳步调节和测试,找到加密原理,不过小莫不准备用那样耗费时间耗力的措施,他放任了依照HttpClient的爬虫,选取了放置浏览器引擎的爬虫(关键词:PhantomJS,Selenium),在浏览器引擎中js
加密脚本算出了天经地义的结果,又一遍得到了对方的数量。
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

混淆过的加密库就没有主意了么?当然不是,能够稳步调试,找到加密原理,可是小恐怕准备用如此耗费时间耗力的方法,他舍弃了遵照HttpClient的爬虫,选取了放置浏览器引擎的爬虫(关键词:PhantomJS,Selenium),在浏览器引擎中js
加密脚本算出了正确的结果,又壹次得到了对方的数目。
小黎:…..

爬虫与发爬虫的斗争还在此起彼伏。
可是事实上利用时候,一般我们做到依照 IP
限制频次就得了了,除非很主题的数码,不会再举办越来越多的评释,终究工程的难点50%是资金财产的难点。

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相比少
3.若是真的对质量要求很高,能够设想多线程(一些诡计多端的框架如
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。
然则事实上利用时候,一般大家做到根据 IP
限制频次就离世了,除非很宗旨的多寡,不会再进行越多的注明,毕竟工程的标题50%是资本的难点。

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 有点儿像能够加载网站的浏览器,可是它也足以像
BeautifulSoup 可能其余 Selector
对象一样用来搜寻页面成分,与页面上的要素实行交互
(发送文书、点击等),以及实施别的动作来运行网络爬虫。

至于高效部分,一些 Tips:
1.尽量收缩请求次数,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相比少
3.假诺真的对质量须要很高,能够设想多线程(一些高瞻远瞩的框架如
scrapy都已补助),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")

假使有上面的输入框

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")

追寻办法

鼠标动作链

些微时候,大家供给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

小编们早已精通了什么样向文本框中输入文字,不过有时大家会遇见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>

  金沙注册送58 1

Selenium专门提供了select类来拍卖下拉框。其实WebDriver中提供了3个叫Select的不二法门,能够辅助大家做到那些工作:

# 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")

上述是二种采取下拉框的办法,能够依据目录来抉择、按照值来抉择、依照文字内容来摘取。注意:

  • index 索引从0开始
  • value 是option标签的二个属性值,并不是映今后下拉框中的值
  • visible_text 是option标签文本的值,是浮以往下拉框的值

凡事打消选取:select.deselect_all()

2.定点成分的点子

弹窗处理

当你触发了有些事件之后,页面出现了弹窗提醒,处理那一个提醒或然取得提醒消息方法:

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为数不少窗口,所以大家肯定要有措施来完结窗口的切换。切换窗口的主意如下:

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

也足以选择window_handles 方法来赢得各种窗口的操作对象。

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

3.鼠标动作

页面前进和滞后

操作页面包车型地铁前行和落后作用:

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

得到页面每种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

现行反革命的网页更加多的运用了Ajax技术,那样程序便无法鲜明哪一天页面完全加载成功。假诺实际页面等待时间过长导致某些dom成分还没出来,可是你的代码直接动用了这一个WebElement,那么就会抛出NullPointer的百般。

为了制止这种元素定位困难而且或然会造成抛非常,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。

隐式等待是等待特定的时刻,等待是点名某三个条件建立即继续执行。

金沙注册送58,欣逢下来框供给采纳操作时,Selenium专门提供了Select类来拍卖下拉框

隐式等待

隐式等待比较不难,正是不难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

显式等待为钦赐某些条件,然后设置最长等待时间。如若在这一个小时内,钦命条件建立,则持续往下实施;即便在那个时间,钦命条件还未创制,那么便会抛出特别。

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()

假定不写参数,程序私下认可会0.5s调用一回来查阅成分是还是不是业已加载成功,如若本来成分正是存在的,那么会立即重返。

下边是有些平放的等待条件,能够直接调用那一个标准,而不用本人写一些等待条件了。

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

理所当然假使不安装,暗许等待时间为0。

 

以上是二种采用下拉框的主意,它能够依照目录来挑选,能够依照值来选取,能够遵照文字来选用。注意:

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

整套注销方法

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

一个浏览器肯定会有很多窗口,所以咱们必然要有方法来兑现窗口的切换。切换窗口的办法如下:

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

7.页眼前进和向下

操作页面包车型地铁进步和退化功效:

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—>>>爬取斗鱼全体房间名,观芸芸众生数

(1)首先分析‘’下一页‘’的class变化,若是否最后一页的时候,‘下一页’的class如下

 金沙注册送58 2

(2)假诺到了最后一页,‘下一页’变为隐藏,点击不了,class变为如下

金沙注册送58 3

(3)找到个房间的名字和观者人数的class

金沙注册送58 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:

金沙注册送58 5

 

相关文章

网站地图xml地图