概念 基于浏览器自动化的模块

自动化可以通过代码指定一系列的行为动作 然后将其作用到浏览器中

pip install selenium

selenium和爬虫之间的关联

• 1.便捷的捕获到任意形式动态加载的数据（可见即可得）
• 2.实现模拟登陆

简单实例

• 注意：网页里可以直接复制xpath路径 在代码部分右键

          from selenium import webdriver
          from time import sleep
  
          # 基于浏览器的驱动程序实例化一个浏览器对象
  
          bro = webdriver.Chrome(executable_path='./chromedriver')
          # 对目的网站发起请求
          bro.get('http://www.jd.com/')
          # 标签定位
          search_text = bro.find_element_by_xpath('//*[@id="key"]')
          search_text.send_keys('iphoneX')        # 向标签中录入数据
  
          btn = bro.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
          btn.click()
          sleep(2)
          # 在搜索结果页面进行滚轮向下滑动的操作(执行JS操作：js注入)
          bro.execute_script('window.scrollTo(0, document.body.scrollHeight)')
          
          -------------------------------------------------------------------------------------------------------------
  
          from selenium import webdriver
          from time import sleep
          from lxml import etree
  
          url = "http://scxk.nmpa.gov.cn:81/xk/"
  
          bro = webdriver.Chrome(executable_path='./chromedriver.exe')
          bro.get(url)
          page_text_list = []         # 每一页的页面源码数据
          sleep(1)
  
          # 捕获到当前页面对应的页面源码数据
          # 当前页面全部加载完毕后对应的所有数据
          page_text = bro.page_source
          page_text_list.append(page_text)
  
          # 点击下一页
  
          for i in range(2):
              next_page = bro.find_element_by_xpath('//*[@id="pageIto_next"]')
              next_page.click()
              sleep(1)
              page_text_list.append(bro.page_source)
  
          tree = etree.HTML(page_text)
          li_lst = tree.xpath('//*[@id="gzlist"]/li')
          print(li_lst)
  
          for li in li_lst:
              name = li.xpath('./dl/@title')[0]
              print(name)
          sleep(2)
          bro.quit()
  

selenium的弊端，效率低

动作链ActionChains 指的是一系列连续的动作(滑动动作)

selenium规避检测 有的网站会检测请求是否为selenium发起, 如果是的话则该次请求失败 规避检测的方法是使用浏览器接管技术

• 这里的步骤是原始的 下边部分是另外看到的 都没尝试过

  • 进入cmd 输入命令
  • chrome.exe --remote-debugging-port=9222 --user-data-dir='C:\selenum\AutomationProfile'
  • 对于-remote-debugging-port值 可以指定任何打开的端口
  • 对于-usesr-data-dir标记 指定创建新Chrome配置文件的目录。它是为了确保在单独的配置文件中启动chrome,不会污染你的默认配置文件
  • 还有 不要忘了在环境变量中PATH里将chrome的路径添加进去
  • 此时会打开一个浏览器页面，我们数据百度网址 把它当成一个已存在的浏览器

• 步骤

  • 1.必须将你电脑中安装的谷歌浏览器的驱动程序所在目录找到。且将目录添加到环境变量中。

  • 2.打开cmd 输入上边的指令
    chrome.exe --remote-debugging-port=9222 --user-data-dir='C:\selenum\AutomationProfile'(后边跟的是一个空文件夹目录)
    指定执行结束后 会打开你本机安装好的谷歌浏览器

  • 3.执行如下代码 可以使用下边代码接管步骤2打开的真实的浏览器

              from selenium import webdriver
              from selenium.webdriver.chrome.options import Options
              chrome_options = Options()
              chrome_options.add_experimental_option('debuggerAddress', '127.0.0.1:9222')
              chrome_driver = 'C:\Program Files(x86)\Google\Chrome\Application\chromedriver.exe' #(本机安装好的谷歌驱动程序路径)
              driver = webdriver.Chrome(executable_path=chrome_driver, chrome_options=chrome_options)
              print(driver.title)
    

无头浏览器 即无可视化界面的浏览器

• 谷歌无头浏览器（推荐）

• phantomJs
  from selenium import webdriver
  from selenium.webdriver.chrome.options import Options
  import time

                  # 创建一个参数对象 用来控制chrome以*面模式打开
                  chrome_options = Options()
                  chrome_options.add_argument('--headless')
                  chrome_options.add_argument('--disable-gpu')
  
                  # 创建浏览器对象
                  browser = webdriver.Chrome(executable_path='./chromedriver', chrome_options=chrome_options)
  
                  # 上网
                  url = 'http://www.baidu.com'
                  browser.get(url)
                  time.sleep(3)
                  # 截图
                  browser.save_screenshot('baidu.png')
                  print(browser.page_source)
                  browser.quit()