第三百五十节,Python分布式爬虫打造搜索引擎Scrapy精讲—selenium模块是一个python操作浏览器软件的一个模块,可以实现js动态网页请求
第三百五十节,Python分布式爬虫打造搜索引擎Scrapy精讲—selenium模块是一个python操作浏览器软件的一个模块,可以实现js动态网页请求
selenium模块
selenium模块为第三方模块需要安装,selenium模块是一个操作各种浏览器对应软件的api接口模块
selenium模块是一个操作各种浏览器对应软件的api接口模块,所以还得需要下载对应浏览器的操作软件
操作原理是:selenium模块操作浏览器操作软件,浏览器操作软件操作浏览器
Selenium 2.0适用于以下浏览器
Google Chrome
Internet Explorer 7, 8, 9, 10, 11
Firefox
Safari
Opera
HtmlUnit
phantomjs
Android
iOS
Selenium 的核心,就是用js控制浏览器
下载对应浏览器的浏览器操作软件
Chrome: https://sites.google.com/a/chromium.org/chromedriver/downloads
Edge: https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
Firefox: https://github.com/mozilla/geckodriver/releases
Safari: https://webkit.org/blog/6900/webdriver-support-in-safari-10/
我们这里以火狐浏览器为列
首先将火狐浏览器的操作软件,geckodriver.exe文件放置到爬虫目录里
selenium模块可以模拟用户行为操作各种版本浏览器
webdriver.Firefox('操作浏览器软件路径')实例化火狐浏览器对象
get('url')访问网站
find_element_by_xpath('xpath表达式')通过xpath表达式找对应元素
clear()清空输入框里的内容
send_keys('内容')将内容写入输入框
click()点击事件
get_screenshot_as_file('截图保存路径名称')将网页截图,保存到此目录
page_source获取网页htnl源码
browser.close() 关闭浏览器
#!/usr/bin/env python # -*- coding:utf8 -*- from selenium import webdriver # 导入selenium模块来操作浏览器软件 import time browser = webdriver.Firefox(executable_path='H:/py/16/adc/adc/Firefox/geckodriver.exe') browser.get('https://www.tmall.com/?spm=a220o.1000855.a2226mz.1.5c90c3484bZCx6') # 模拟用户操作 browser.find_element_by_xpath('//input[@id="mq"]').clear() # 通过xpath表达式找到输入框,clear()清空输入框里的内容 browser.find_element_by_xpath('//input[@id="mq"]').send_keys('连衣裙') # 通过xpath表达式找到输入框,send_keys()将内容写入输入框 browser.find_element_by_xpath('//button[@type="submit"]').click() # 通过xpath表达式找到搜索按钮,click()点击事件 time.sleep(3) # 等待3秒 browser.get_screenshot_as_file('H:/py/17/img/123.jpg') # 将网页截图,保存到此目录 neir = browser.page_source # 获取网页内容 print(neir) browser.close() # 关闭浏览器
利用scrapy的Selector方法。来过滤帅选数据
Selector()方法,过滤帅选数据,参数是得到的字符串html源码
#!/usr/bin/env python # -*- coding:utf8 -*- from selenium import webdriver # 导入selenium模块来操作浏览器软件 import time from scrapy.selector import Selector browser = webdriver.Firefox(executable_path='H:/py/16/adc/adc/Firefox/geckodriver.exe') browser.get('https://www.tmall.com/?spm=a220o.1000855.a2226mz.1.5c90c3484bZCx6') # 模拟用户操作 browser.find_element_by_xpath('//input[@id="mq"]').clear() # 通过xpath表达式找到输入框,clear()清空输入框里的内容 browser.find_element_by_xpath('//input[@id="mq"]').send_keys('连衣裙') # 通过xpath表达式找到输入框,send_keys()将内容写入输入框 browser.find_element_by_xpath('//button[@type="submit"]').click() # 通过xpath表达式找到搜索按钮,click()点击事件 time.sleep(3) # 等待3秒 browser.get_screenshot_as_file('H:/py/17/img/123.jpg') # 将网页截图,保存到此目录 neir = browser.page_source # 获取网页内容 # print(neir) gl_neir = Selector(text=neir) dedao = gl_neir.css('title::text').extract() print(dedao) browser.close() # 关闭浏览器
selenium操作浏览器滚动滚动条
execute_script(js)方法,执行原生态js脚本
#!/usr/bin/env python # -*- coding:utf8 -*- from selenium import webdriver # 导入selenium模块来操作浏览器软件 import time from scrapy.selector import Selector browser = webdriver.Firefox(executable_path='H:/py/16/adc/adc/Firefox/geckodriver.exe') browser.get('https://www.oschina.net/blog') time.sleep(3) # 等待3秒 for i in range(3): # 滚动3次滚动条 js = 'window.scrollTo(0,document.body.scrollHeight); var lenofpage=document.body.scrollHeight; return lenofpage' browser.execute_script(js) # 执行js语言滚动滚动条 time.sleep(3) neir = browser.page_source # 获取网页内容 # print(neir) gl_neir = Selector(text=neir) dedao = gl_neir.css('title::text').extract() print(dedao) # browser.close() # 关闭浏览器
设置请求网页不加载图片,提高请求效率
ChromeOptions()方法,创建谷歌浏览器设置对象
Chrome()方法,创建谷歌浏览器对象
下面以谷歌浏览器为列
#!/usr/bin/env python # -*- coding:utf8 -*- from selenium import webdriver # 导入selenium模块来操作浏览器软件 from scrapy.selector import Selector #设置请求网页不加载图片,提高请求效率 chrome_options = webdriver.ChromeOptions() #创建谷歌浏览器设置对象 prefs = {"profile.managed_default_content_settings.images": 2} #设置谷歌浏览器不加载图片 chrome_options.add_experimental_option('prefs', prefs) #将不加载图片添加到浏览器 browser = webdriver.Chrome(executable_path='H:/py/16/adc/adc/Firefox/chromedriver.exe', chrome_options=chrome_options) # browser.set_page_load_timeout(40) #设置页面最长加载时间为40s browser.get('https://www.taobao.com/') neir = browser.page_source # 获取网页内容 # print(neir) gl_neir = Selector(text=neir) dedao = gl_neir.css('title::text').extract() print(dedao) # browser.close() # 关闭浏览器
selenium模块还可以操作PhantomJS浏览器,PhantomJS是一个无界面浏览器,比较清爽,但是多线程是性能会下降
重点:我们推荐使用chromedriver.exe,谷歌浏览器
相关文章
- 快速入门Python机器学习(24)
- Python+PyCharm下载安装教程「建议收藏」
- 正则表达式 – 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母 – Python代码
- python fileinput_Python之fileinput模块学习「建议收藏」
- python编程是啥-Python编程「建议收藏」
- python jieba库_Python jieba库的使用说明「建议收藏」
- java和python哪个值得学-学java好还是Python好?
- 【说站】python类如何实例化对象
- 【说站】Python OpenCV中的drawMatches()关键匹配绘制方法
- Python 源码混淆与加密
- python lambda表达式举例_Python中lambda表达式[通俗易懂]
- python win32api sendmessage_Python win32api.SendMessage方法代码示例[通俗易懂]
- python中if判断语句的用法_Python if判断语句的用法详细介绍[通俗易懂]
- 【Python】字符串 ⑤ ( Python 字符串快速格式化 | 不考虑变量类型 | 不考虑精度控制 )
- python-Python与MongoDB数据库-MongoDB数据库的基本知识
- python-Python与MongoDB数据库-使用Python执行MongoDB查询(一)
- python-Python与PostgreSQL数据库-使用Python执行PostgreSQL查询(二)
- Python 人气王,JS 比 Java 更受公司青睐详解编程语言
- Python中线程池的实现(三)详解编程语言
- 生成手机号码Python代码详解编程语言
- Python list根据下标删除元素详解编程语言
- python在WIN下CMD运行中文乱码及python 2.x python 3.x编码问题详解编程语言
- Linux查看Python版本的有效方法(linux查看python版本)
- 一步步学习:利用Python连接MySQL数据库(python连接mysql数据库)
- JS实时链接Oracle让数据库访问更便捷(js实时连接oracle)
- python正则表达式反斜杠(/)的麻烦和陷阱