基于Python +Selenium的爬虫详解

文/王童亮 图片来源于网络

一.背景

1. Selenium

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 。

2.优劣

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：

• 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。
• 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。
• 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。
• 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

2.依赖包

Selenium

安装的时候是大写的 S ，import的时候是 小写 s。

        
pip install 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  

    

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)
    

热 门 推 荐

用Python制作一个猫咪小秒表

爬取豆瓣电影榜单构建知识图谱

用Python获取摄像头并实时控制人脸

用Pandas库实现MySQL数据库的读写

推荐Python中文社区旗下的几个服务类公众号

▼ 点击成为 社区注册会员 「在看」 一下，一起PY！