python爬蟲庫技術分享

本篇繼之前的python爬蟲庫的使用，也是為技術性的文章篇,,主要 是講解Selenium的使用,至於 庫的安裝之前已經分享過這裡就不再介紹了。

在進行爬蟲前，我們這裡講下爬蟲代理，免費的代理我試著不行,暫時不研究了,寫一下付費的代理是怎麼使用的，我購買的是億牛雲爬蟲代理，購買之後直接在賬號裡面獲取代理引數配置就可以使用。怎麼使用代理,這個分為好幾個情況,我使用的是Selenium,就寫這個的代理使用過程。程式碼部分如下：

from selenium import webdriver
    import string
    import zipfile
    # 代理伺服器(產品官網 )
    proxyHost = "t.16yun.cn"
    proxyPort = "3111"
    # 代理驗證資訊
    proxyUser = "username"
    proxyPass = "password"
    def create_proxy_auth_extension(proxy_host, proxy_port,
                                    proxy_username, proxy_password,
                                    scheme='http', plugin_path=None):
        if plugin_path is None:
            plugin_path = r'/tmp/{}_{}@t.16yun.zip'.format(proxy_username, proxy_password)
        manifest_json = """
        {
            "version": "1.0.0",
            "manifest_version": 2,
            "name": "16YUN Proxy",
            "permissions": [
                "proxy",
                "tabs",
                "unlimitedStorage",
                "storage",
                "<all_urls>",
                "webRequest",
                "webRequestBlocking"
            ],
            "background": {
                "scripts": ["background.js"]
            },
            "minimum_chrome_version":"22.0.0"
        }
        """
        background_js = string.Template(
            """
            var config = {
                mode: "fixed_servers",
                rules: {
                    singleProxy: {
                        scheme: "${scheme}",
                        host: "${host}",
                        port: parseInt(${port})
                    },
                    bypassList: ["localhost"]
                }
              };
            chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});
            function callbackFn(details) {
                return {
                    authCredentials: {
                        username: "${username}",
                        password: "${password}"
                    }
                };
            }
            chrome.webRequest.onAuthRequired.addListener(
                callbackFn,
                {urls: ["<all_urls>"]},
                ['blocking']
            );
            """
        ).substitute(
            host=proxy_host,
            port=proxy_port,
            username=proxy_username,
            password=proxy_password,
            scheme=scheme,
        )
        print(background_js)
        with zipfile.ZipFile(plugin_path, 'w') as zp:
            zp.writestr("manifest.json", manifest_json)
            zp.writestr("background.js", background_js)
        return plugin_path
    proxy_auth_plugin_path = create_proxy_auth_extension(
        proxy_host=proxyHost,
        proxy_port=proxyPort,
        proxy_username=proxyUser,
        proxy_password=proxyPass)
    option = webdriver.ChromeOptions()
    option.add_argument("--start-maximized")
    # 如報錯 chrome-extensions
    # option.add_argument("--disable-extensions")
    option.add_extension(proxy_auth_plugin_path)
    # 關閉webdriver的一些標誌
    # option.add_experimental_option('excludeSwitches', ['enable-automation'])
    driver = webdriver.Chrome(
        chrome_options=option,
        executable_path="./chromdriver"
    )
    # 修改webdriver get屬性
    # script = '''
    # Object.defineProperty(navigator, 'webdriver', {
    # get: () => undefined
    # })
    # '''
    # driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})
    driver.get(")

在爬取一個新網站的時候,發現網站上的網頁資料全都是動態載入的,瀏覽器載入之後資料才會顯示,這個時候BeautifulSoup就沒用了,完全獲取不到HTML節點，一般這種情況,建議使用Selenium進行動態載入，我通過這個已經獲取了不少資料了。