基于Selenium模拟浏览器爬虫详解
基于Selenium模拟浏览器爬虫详解
源 / Python中文社区
一.背景
Selenium 是一个用于web应用程序自动化测试的工具，直接运行在浏览器当中，支持chrome、firefox等主流浏览器。可以通过代码控制与页面上元素进行交互（点击、输入等），也可以获取指定元素的内容。
劣势：
相比于抓包→构造请求→解析返回值的爬虫，由于Selenium需要生成一个浏览器环境，所有操作（与元素交互、获取元素内容等）均需要等待页面加载完毕后才可以继续进行，所以速度相比构造请求的慢很多。对于为了反爬做了特殊处理的展示内容，如字体加密（参考猫眼）、图片替换数字（参考自如）等，可能取不到想要的数据。
使用图片替换数字的自如：
image-20190107215702089
优势：
a. 不需要做复杂的抓包、构造请求、解析数据等，开发难度相对要低一些。
b. 其访问参数跟使用浏览器的正常用户一模一样，访问行为也相对更像正常用户，不容易被反爬虫策略命中。
c.生成的浏览器环境可以自动运行 JS 文件，所以不用担心如何逆向混淆过的JS文件生成用作人机校验的参数，如马蜂窝酒店评论的人机校验参数_sn，网易云音乐评论的人机校验参数params、encSecKey。可以自行抓包查看。
d. 如果需要抓取同一个前端页面上面来自不同后端接口的信息，如OTA酒店详情页的酒店基础信息、价格、评论等，使用Selenium可以在一次请求中同时完成对三个接口的调用，相对方便。
二、实现
1.环境
- python3.6
- Macos
- Selenium
3.浏览器驱动（webdriver）
加载浏览器环境需要下载对应的浏览器驱动，此处选择 Chrome。
下载地址：http://npm.taobao.org/mirrors/chromedriver/ ，
选择合适的版本下载解压后放在随便一个位置即可。
4.hello world
from selenium import webdriver
这里填刚刚下载的驱动的路径
path = /Applications/Google Chrome.app/Contents/chromedriver
driver = webdriver.Chrome(executable_path=path)
url = http://hotel.qunar.com/city/beijing_city/
driver.get(url)
运行上述代码，会打开一个浏览器，并且加载去哪儿的酒店列表页 这时候可以通过webdriver自带的一些的一些方法获取元素内容或者与元素进行交互。
image-20190108224445170
#返回ID = js_block_beijing_city_7810的元素信息
hotel_info = driver.find_element_by_id( js_block_beijing_city_7810 )
print(hotel_info.text)
#返回 展示在列表页的酒店信息
#同理，可以find_element_by_[class_name|name] 等，均可完成查询。也可以通过方法 find_elements查找符合某条件的一组元素，以列表的形式返回。
image-20190108225039418
#当需要查询的唯一标识带有空格时，可以使用find_elements_by_css_selector，否则会报错。
hotel_list = driver.find_elements_by_css_selector("[class= b_result_box js_list_block b_result_commentbox ]")
print(hotel_list)
#返回酒店列表的全部信息。5.关闭图片加载
在不需要抓取图片的情况下，可以设置不加载图片，节约时间，这样属于调整本地设置，在传参上并不会有异常。
from selenium import webdriver
chrome_opt = webdriver.ChromeOptions()
prefs={"profile.managed_default_content_settings.images":2}
chrome_opt.add_experimental_option("prefs",prefs)
path = #驱动路径
browser_noPic = webdriver.Chrome(executable_path=path,chrome_options=chrome_opt)三、使用webdriver与元素进行交互
1.模拟鼠标点击
image-20190108230139238
hotel_info = driver.find_element_by_id("js_plugin_tag_beijing_city_7810")
hotel.info.click()
#进入酒店详情页2.模拟键盘输入
hotel_search = driver.find_element_by_id("jxQ")
hotel_search.send_keys("如")
hotel_search.send_keys("如家")
#由于搜索框输入的第一个字会被选中，所以需要第二次才能完整输入，当然也可以模拟按键盘的 →(右键)取消选中后再次输入。3.模拟下拉
webdriver中对鼠标的操作的方法封装在ActionChains类中 ，使用前要先导入ActionChains类：
from selenium.webdriver.common.action_chains import ActionChains
"""在页面顶部、底部个找了一个元素，并模拟鼠标从顶到底的滑动"""
start = driver.find_element_by_class_name( e_above_header )
target = driver.find_element_by_class_name( qn_footer )
ActionChains(driver).drag_and_drop(start,target).perform()此外，webdiver还提供丰富的交互功能，比如鼠标悬停、双击、按住左键等等，此处不展开介绍。
四、一个完整的模拟浏览器爬虫
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains
import time
这里填刚刚下载的驱动的路径
path = /Users/./Desktop/chromedriver
driver = webdriver.Chrome(executable_path=path)
url = http://hotel.qunar.com/city/beijing_city/
driver.get(url)
time.sleep(6) #等待页面加载完再进行后续操作
"""在页面顶部、底部个找了一个元素，并模拟鼠标从顶到底的滑动"""
start = driver.find_element_by_class_name( e_above_header )
target = driver.find_element_by_class_name( qn_footer )
ActionChains(driver).drag_and_drop(start,target).perform()
time.sleep(5) #等待页面加载完再进行后续操作
hotel_link_list = driver.find_elements_by_css_selector("[class= item_price js_hasprice ]")
print("在此页面共有酒店",len(hotel_link_list),"家")
windows = driver.window_handles
#此处可以爬整个页面任何想要想要的元素
list_hotel_info=[]
def hotel_info_clawer():
list_hotel_info.append([driver.find_element_by_class_name("info").text,
driver.find_element_by_class_name("js-room-table").text,
driver.find_element_by_class_name("dt-module").text])
for i in range(len(hotel_link_list)):
hotel_link_list[i].click()
driver.switch_to.window(windows[-1]) #切换到刚打开的酒店详情页
hotel_info_clawer()
driver.close() #关闭已经爬完的酒店详情页
print("已经抓取酒店",i,"家")
#后面可以补充翻页继续抓取的部分五、使用截图+OCR抓取关键数据
对于做了特殊处理的信息，如上述的猫眼电影的票房信息、自如的价格等，不适用于直接获取制定元素的信息进行抓取，可以使用截图+OCR的方式抓取此类数据。
以自如的房租为例：
image-20190112201939908
from selenium import webdriver
这里填刚刚下载的驱动的路径
path = /Applications/Google Chrome.app/Contents/chromedriver
driver = webdriver.Chrome(executable_path=path)
url = http://www.ziroom.com/z/vr/61715463.html
driver.get(url)
price = diver.find_element_by_class_name( room_price )
print(price.text)#由于自如的价格用图片做了替换，这样并不能获取到实际价格，需要获取图片再做ocr处理
"对指定元素部分截图再保存"
price.screenshot( /Users/./Desktop/price.png )安装ocr工具：
Tesseract是一个开源的OCR引擎，能识别100多种语言（中，英，韩，日，德，法…等等），但是Tesseract对手写的识别能力较差，仅适用于打印字体。
//仅安装tesseract，不安装训练工具和其他语音包，需要识别中文的话得额外下载
//下载地址：https://github.com/tesseract-ocr/tessdata
brew install tesseract使用Tesseract：
tesseract ~/price.png result
//识别图片并将结果存在result里面在python下使用Tesseract：
首先安装依赖包：pip install pytesseract
import pytesseract
from PIL import Image
# open image
image = Image.open( price.png )
code = pytesseract.image_to_string(image)
print(code)本文分享自 机器学习算法与Python学习 微信公众号，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体分享计划 ，欢迎热爱写作的你一起参与！