python使用selenium库做基本的反反爬虫

野性酷女 2022-12-18 04:52 211阅读 0赞

现在很多网站为防止爬虫，加载的数据都使用js的方式加载，如果使用python的request库爬取的话就爬不到数据，selenium库能模拟打开浏览器，浏览器打开网页并加载js数据后，再获取数据，这样就达到反反爬虫，selenium的功能不止这一个，还能做很多，比如定位到某一个标签（可根据classname、id、html标签等），点击，上滑，js语句操作等等操作。

首先下载chrome驱动：http://npm.taobao.org/mirrors/chromedriver/

如果chrome的版本和驱动的版本差别大的话，打开网址和获取html标签不会报错 ，但操作js语句时会报错

> 版本问题：打开chrome浏览器的安装位置，在哪里的第一个文件夹的名字就是她的版本，如我的是`84.0.4147.105`,然后在上面的网址中安装的是`84.0.4147.30`这个版本的Windows 32位驱动（即使我电脑是64位）

然后将下载下来的驱动解压后放到python解释器的安装目录（和python.exe同一个目录），然后将python的安装目录路径添加到系统变量的Path变量中，这样python才能找到这个驱动

然后安装 **selenium** 库：`pip install selenium`

> 我下面使用的链接是B站的排行版页面，随时可能改变链接地址

# 最基本的打开和关闭操作
    from selenium import webdriver
    
    browser = webdriver.Chrome()  # 打开浏览器
    browser.get(
        'https://www.bilibili.com/v/popular/rank/all?spm_id_from=333.851.b_7072696d61727950616765546162.3')  # 打开一个网址
    print(browser.page_source)  # 输出获取的html
    browser.quit()  # 关闭浏览器的页面，并退出进程

# 进一步操作页面
    from selenium import webdriver
    import time
    
    browser = webdriver.Chrome()  # 打开浏览器
    browser.get(
        'https://www.bilibili.com/v/popular/rank/all?spm_id_from=333.851.b_7072696d61727950616765546162.3')  # 打开一个网址
    browser.execute_script('window.scrollTo(300,1000)')  # 向右移动300像素，向下滑动1000像素
    time.sleep(2)
    browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')  # 到页面最底部
    time.sleep(2)
    element = browser.find_element_by_link_text('【师生对线】这宿舍住得就离谱！')  # 查找某个标签
    browser.execute_script("arguments[0].scrollIntoView();", element)  # 定位到element的标签
    time.sleep(2)
    print(browser.page_source)  # 输出获取的html
    browser.quit()  # 关闭浏览器的页面，并退出进程

里面的 `browser.find_element_by_xxx(xxx)` 函数可以获取查找到某个位置，可以通过很多种方式，如id，class等，我这里使用了一个链接文本来查找。

该selenium库也提供了查找到某个html标签的函数，但我认为，一个页面中相同的html标签会出现不止一次，查找效果就不好，本人建议使用正则库 `re` 库来查找某个具体文本

# 使用re库提取html内容
    import re
    from selenium import webdriver
    
    
    browser = webdriver.Chrome()  # 打开浏览器
    browser.get(
        'https://www.bilibili.com/v/popular/rank/all?spm_id_from=333.851.b_7072696d61727950616765546162.3')  # 打开一个网址
    
    number = re.findall(r'<div class="num">(.*?)</div>',
                        browser.page_source, re.S)  # 排名编号
    title = re.findall(r'target="_blank" class="title">(.*?)</a>',
                       browser.page_source, re.S)  # 作品标题
    view = re.findall(r'''<i class="b-icon play"></i> (.*?) </span>''', browser.page_source, re.S)  # 观看人数
    danmu = view = re.findall(r'''<i class="b-icon view"></i> (.*?) </span>''', browser.page_source, re.S)  # 弹幕数量
    user = re.findall(r'''<i class="b-icon author"></i> (.*?) </span>''', browser.page_source, re.S)  # 用户名称
    pingfen = re.findall(r'<div class="pts"><div>(.*?)</div>',
                         browser.page_source, re.S)  # 综合评分
    
    for i in zip(number, title, view, danmu, user, pingfen):
    	print(i)
    
    browser.quit()  # 关闭浏览器的页面，并退出进程

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMjc5NDU3_size_16_color_FFFFFF_t_70_pic_center]

能爬取到数据了，把他录入MySQL数据库。如果使用我的代码录入，你得先创建一个 `bilibili` 的数据库，然后创建一个 `20201025day` 的表，表的结构如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMjc5NDU3_size_16_color_FFFFFF_t_70_pic_center 1]

from selenium import webdriver
    import re
    import pymysql
    
    
    class Write_sql():
        def __init__(self, database):
            self.database = database
            print('设置数据库完成，你已选择', self.database, '数据库')
    
        def writeValue(self, insert_sql):
            db = pymysql.connect('127.0.0.1', 'root', 'xxxx', self.database)
            cursor1 = db.cursor()  # 获取操作的游标
            cursor1.execute(insert_sql)  # 执行sql语句
            db.commit()  # 提交到数据库
    
    
    browser = webdriver.Chrome()
    browser.get(
        'https://www.bilibili.com/v/popular/rank/all?spm_id_from=333.851.b_7072696d61727950616765546162.3')
    number = re.findall(r'<div class="num">(.*?)</div>',
                        browser.page_source, re.S)  # 排名编号
    title = re.findall(r'target="_blank" class="title">(.*?)</a>',
                       browser.page_source, re.S)  # 作品标题
    view = re.findall(r'''<i class="b-icon play"></i> (.*?) </span>''', browser.page_source, re.S)  # 观看人数
    danmu = view = re.findall(r'''<i class="b-icon view"></i> (.*?) </span>''', browser.page_source, re.S)  # 弹幕数量
    user = re.findall(r'''<i class="b-icon author"></i> (.*?) </span>''', browser.page_source, re.S)  # 用户名称
    pingfen = re.findall(r'<div class="pts"><div>(.*?)</div>',
                         browser.page_source, re.S)  # 综合评分
    
    
    write_sql = Write_sql('bilibili')  # 实例化写入数据库对象
    for i in zip(number, title, view, danmu, user, pingfen):
        insertsql = 'insert into 20201025day values' + str(i)  # 构造插入语句，由于i是元组类型，要转为字符串类型
        write_sql.writeValue(insertsql)  # 调用对象的插入方法
        
    browser.quit()

若有错误，还请指正

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMjc5NDU3_size_16_color_FFFFFF_t_70_pic_center]: /images/20221122/e14760f404cd456491746318da8ce01e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMjc5NDU3_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221122/e0fd8f198c1a49d1a78620e5b1e5dc1f.png