云顶集团官网手机版-云顶集团网站

热门关键词: 云顶集团官网手机版,云顶集团网站
让浏览器自动加载页面
分类:编程

爬虫(Spider),反爬虫(Anti-Spider),反反爬虫(Anti-Anti-Spider) 之间恢宏壮阔的不以为意争...

  • 小莫想要某站上全数的录制,写了专门的学业的爬虫(基于HttpClient库),不断地遍历某站的影片列表页面,依照Html 剖析电影名字存进自身的数据库。

  • 其一站点的运行小黎意识有个别时刻段央求量陡增,分析日志发掘都是IP(xxx.xxx.xxx.xxx)这一个客商,况且 user-agent 还是Python-urllib/2.7 ,基于这两点判定非人类后直接在服务器上封闭撤消。

  • 小莫电影只爬了概略上,于是也针没有错转变了下计谋:1. user-agent 模拟百度("Baiduspider..."),2. IP每爬半时辰就换一个IP代理。

  • 小黎也发觉了相应的转移,于是在服务器上设置了二个频率约束,每分钟当先120回呼吁的再屏蔽IP。 同不经常间考虑到百度家的爬虫有望会被误伤,动脑市镇机构每月几十万的投放,于是写了个本子,通过 hostname 检查下这几个 ip 是或不是真的百度家的,对那些 ip 设置叁个白名单。

  • 小莫发掘了新的限定后,想着作者也不急着要这一个多少,留给服务器渐渐爬吧,于是更正了代码,随机1-3秒爬叁回,爬十次休息10秒,每一日只在8-12,18-20点爬,隔几天还安歇一下。

  • 小黎看着新的日志头都大了,再设定法则超大心会损害真实客商,于是希图换了三个思路,当3个小时的总央求抢先四十七次的时候弹出一个验证码弹框,未有科学输入的话就把 IP 记录进黑名单。

  • 小莫看见验证码有个别傻脸了,然而亦非从未艺术,先去学习了图像识别(关键词 PIL,tesseract卡塔 尔(阿拉伯语:قطر‎,再对验证码举办了二值化,分词,情势训练现在,不问可见最终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二个恢宏壮丽的勤学不辍史...卡塔 尔(阿拉伯语:قطر‎,之后爬虫又跑了四起。

  • 小黎是个坚强的好同学,看见验证码被夺回后,和支出同学商量了改造下支付形式,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,同临时间加密库再扩充模糊。

  • 指鹿为马过的加密库就未有章程了么?当然不是,能够稳步调节和测量试验,找到加密原理,可是小大概计划用如此耗费时间耗力的议程,他甩掉了依据HttpClient的爬虫,选取了放置浏览器引擎的爬虫(关键词:PhantomJS,Selenium),在浏览器引擎运营页面,直接得到了金科玉律的结果,又三次获得了对方的数量。

  • 小黎:.....

Selenium

 Selenium是八个Web的自动化测量试验工具,最早是为网站自动化测量试验而支付的,类型像咱们玩游戏用的按钮Smart,能够按钦点的指令自动操作,分歧是Selenium 可以直接运维在浏览器上,它扶植全数主流的浏览器(饱含PhantomJS这几个无界面的浏览器卡塔 尔(英语:State of Qatar)。

Selenium 能够依赖大家的通令,让浏览器自动加载页面,获取需求的多少,甚至页面截屏,大概剖断网址上或多或少动作是否产生。

Selenium 自个儿不带浏览器,不辅助浏览器的效率,它需求与第三方浏览器结合在一同工夫使用.

下载selenium webdriver ‘geckodriver.exe’,下载好前寄放python目录里面

firefox的目录也要增添到情形变量中

Selenium Curry有个叫 WebDriver 的 API。WebDriver 有一点儿像能够加载网址的浏览器,然则它也能够像 BeautifulSoup 恐怕其它 Selector 对象同样用来查找页面成分,与页面上的成分进行相互作用(发送文书、点击等),甚至实施此外动作来运维网络爬虫。

selenium急忙入门

#!/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

假诺有下边包车型地铁输入框

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

检索办法

# 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.坚持住成分的不二等秘书籍

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

蒙受下来框必要选取操作时,Selenium特地提供了Select类来管理下拉框

# 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")

上述是二种选拔下拉框的措施,它能够依赖目录来筛选,能够依据值来筛选,可以依赖文字来选取。注意:

  • index 索引从 0 开始
  • value是option标签的七个属性值,而不是突显在下拉框中的值
  • visible_text是在option标签文本的值,是显得在下拉框的值

全总撤回方法

select.deselect_all()

5.弹窗处理

当页面现身了弹窗提醒

alert = driver.switch_to_alert()

6.页面切换

让浏览器自动加载页面。二个浏览器明确会有广大窗口,所以大家必然要有方法来落到实处窗口的切换。切换窗口的艺术如下:

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

7.页前面行和倒退

操作页面包车型大巴迈入和向下效能:

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

实例 模拟登入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--->>>爬取不问不闻鱼全体房间名,听公众数

(1卡塔 尔(阿拉伯语:قطر‎首先深入分析‘’下生机勃勃页‘’的class变化,假若不是最后生机勃勃页的时候,‘下风姿浪漫页’的class如下

 图片 1

(2卡塔尔国假诺到了最后意气风发页,‘下生机勃勃页’变为隐蔽,点击不了,class变为如下

图片 2

(3卡塔 尔(阿拉伯语:قطر‎找到个屋家的名字和听群众数的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

 

本文由云顶集团官网手机版发布于编程,转载请注明出处:让浏览器自动加载页面

上一篇:其中文件就是操作系统提供给应用程序来操作硬 下一篇:运营后发现完美解决
猜你喜欢
热门排行
精彩图文