一.背景

1. Selenium

Selenium 是一個用于web應用程序自動化測試的工具，直接運行在瀏覽器當中，支持chrome、firefox等主流瀏覽器?？梢酝ㄟ^代碼控制與頁面上元素進行交互（點擊、輸入等），也可以獲取指定元素的內容。

2.優(yōu)劣

劣勢：

相比于抓包→構造請求→解析返回值的爬蟲，由于Selenium需要生成一個瀏覽器環(huán)境，所有操作（與元素交互、獲取元素內容等）均需要等待頁面加載完畢后才可以繼續(xù)進行，所以速度相比構造請求的慢很多。

對于為了反爬做了特殊處理的展示內容，如字體加密（參考貓眼）、圖片替換數字（參考自如）等，可能取不到想要的數據。

使用圖片替換數字的自如：

image-20190107215702089

優(yōu)勢：

• 不需要做復雜的抓包、構造請求、解析數據等，開發(fā)難度相對要低一些。

• 其訪問參數跟使用瀏覽器的正常用戶一模一樣，訪問行為也相對更像正常用戶，不容易被反爬蟲策略命中。

• 生成的瀏覽器環(huán)境可以自動運行 JS 文件，所以不用擔心如何逆向混淆過的JS文件生成用作人機校驗的參數，如馬蜂窩酒店評論的人機校驗參數_sn，網易云音樂評論的人機校驗參數params、encSecKey。可以自行抓包查看。

• 如果需要抓取同一個前端頁面上面來自不同后端接口的信息，如OTA酒店詳情頁的酒店基礎信息、價格、評論等，使用Selenium可以在一次請求中同時完成對三個接口的調用，相對方便。

二、實現

1.環(huán)境

python3.6 + Macos

2.依賴包

Selenium

安裝的時候是大寫的 S ，import的時候是 小寫 s。

pip install Selenium

3.瀏覽器驅動（webdriver）

加載瀏覽器環(huán)境需要下載對應的瀏覽器驅動，此處選擇 Chrome。

下載地址：http://npm./mirrors/chromedriver/ ，

選擇合適的版本下載解壓后放在隨便一個位置即可。

4.hello world

from selenium import webdriver

'''這里填剛剛下載的驅動的路徑'''
path = '/Applications/Google Chrome.app/Contents/chromedriver'

driver = webdriver.Chrome(executable_path=path)

url = 'http://hotel.qunar.com/city/beijing_city/'
driver.get(url)

'''運行上述代碼，會打開一個瀏覽器，并且加載去哪兒的酒店列表頁'''

這時候可以通過webdriver自帶的一些的一些方法獲取元素內容或者與元素進行交互。

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 展示在列表頁的酒店信息
#同理，可以find_element_by_[class_name|name] 等，均可完成查詢。

也可以通過方法 find_elements查找符合某條件的一組元素，以列表的形式返回。

image-20190108225039418

#當需要查詢的唯一標識帶有空格時，可以使用find_elements_by_css_selector，否則會報錯。
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.關閉圖片加載

在不需要抓取圖片的情況下，可以設置不加載圖片，節(jié)約時間，這樣屬于調整本地設置，在傳參上并不會有異常。

from selenium import webdriver

chrome_opt = webdriver.ChromeOptions()
prefs={"profile.managed_default_content_settings.images":2}
chrome_opt.add_experimental_option("prefs",prefs)

path = '' #驅動路徑
browser_noPic = webdriver.Chrome(executable_path=path,chrome_options=chrome_opt)

三、使用webdriver與元素進行交互

1.模擬鼠標點擊

image-20190108230139238

hotel_info = driver.find_element_by_id("js_plugin_tag_beijing_city_7810")
hotel.info.click()
#進入酒店詳情頁

2.模擬鍵盤輸入

hotel_search = driver.find_element_by_id("jxQ")
hotel_search.send_keys("如")
hotel_search.send_keys("如家")
#由于搜索框輸入的第一個字會被選中，所以需要第二次才能完整輸入，當然也可以模擬按鍵盤的 →(右鍵)取消選中后再次輸入。

3.模擬下拉

webdriver中對鼠標的操作的方法封裝在ActionChains類中 ，使用前要先導入ActionChains類：

from selenium.webdriver.common.action_chains import  ActionChains

"""在頁面頂部、底部個找了一個元素，并模擬鼠標從頂到底的滑動"""
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還提供豐富的交互功能，比如鼠標懸停、雙擊、按住左鍵等等，此處不展開介紹。

四、一個完整的模擬瀏覽器爬蟲

from selenium import webdriver
from selenium.webdriver.common.action_chains import  ActionChains
import time

'''這里填剛剛下載的驅動的路徑'''
path = '/Users/./Desktop/chromedriver'
driver = webdriver.Chrome(executable_path=path)

url = 'http://hotel.qunar.com/city/beijing_city/'
driver.get(url) 


time.sleep(6) #等待頁面加載完再進行后續(xù)操作

"""在頁面頂部、底部個找了一個元素，并模擬鼠標從頂到底的滑動"""
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) #等待頁面加載完再進行后續(xù)操作

hotel_link_list = driver.find_elements_by_css_selector("[class='item_price js_hasprice']")
print("在此頁面共有酒店",len(hotel_link_list),"家")
windows = driver.window_handles

#此處可以爬整個頁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]) #切換到剛打開的酒店詳情頁
    hotel_info_clawer()
    driver.close() #關閉已經爬完的酒店詳情頁    
    print("已經抓取酒店",i,"家")



#后面可以補充翻頁繼續(xù)抓取的部分

五、使用截圖+OCR抓取關鍵數據

對于做了特殊處理的信息，如上述的貓眼電影的票房信息、自如的價格等，不適用于直接獲取制定元素的信息進行抓取，可以使用截圖+OCR的方式抓取此類數據。

以自如的房租為例：

image-20190112201939908

from selenium import webdriver

'''這里填剛剛下載的驅動的路徑'''
path = '/Applications/Google Chrome.app/Contents/chromedriver'
driver = webdriver.Chrome(executable_path=path)

url = 'http://www./z/vr/61715463.html'
driver.get(url)

price = diver.find_element_by_class_name('room_price')

print(price.text)#由于自如的價格用圖片做了替換，這樣并不能獲取到實際價格，需要獲取圖片再做ocr處理

"對指定元素部分截圖再保存"
price.screenshot('/Users/./Desktop/price.png')

安裝ocr工具：

Tesseract是一個開源的OCR引擎，能識別100多種語言（中，英，韓，日，德，法…等等），但是Tesseract對手寫的識別能力較差，僅適用于打印字體。

//僅安裝tesseract，不安裝訓練工具和其他語音包，需要識別中文的話得額外下載
//下載地址：https://github.com/tesseract-ocr/tessdata
brew install tesseract

使用Tesseract：

tesseract ~/price.png result
//識別圖片并將結果存在result里面

在python下使用Tesseract：

首先安裝依賴包：pip install pytesseract

import pytesseract
from PIL import Image

# open image
image = Image.open('price.png')
code = pytesseract.image_to_string(image)
print(code)