Python爬蟲基礎之selenium

在我們日常爬蟲抓取資料的過程中，面對有些網站會用使用到 Selenium，Selenium是一個Web的自動化測試工具，最初是為網站自動化測試而開發的，就像玩遊戲用的按鍵精靈，可以按指定的命令自動操作。Selenium可以根據的指令，讓瀏覽器自動載入頁面，獲取需要的資料，甚至頁面截圖，或者判斷網站上某些動作是否發生等。

使用Selenium的優點就是可以幫我們避開一系列複雜的通訊流程，假如目標站點有一系列複雜的通訊流程，例如的登入時的滑動驗證等策略。Selenium支援多種瀏覽器，最常見的就是火狐和谷歌瀏覽器。在我們日常使用Selenium無頭瀏覽器去爬取資料的時候有很多的注意事項，一般使用無頭瀏覽器訪問的網站都是具需要進行登入等操作，很容易觸發網站的反爬機制。所以在使用過程中需要加上代理，那麼代理在無頭瀏覽器裡面是怎麼實現的呢？這裡我們可以示例下，代理有億牛雲提供的爬蟲代理為參考：

from selenium import webdriver
    import string
    import zipfile
    # 代理伺服器(產品官網 )
    proxyHost = "t.16yun.cn"
    proxyPort = "31111"
    # 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'D:/{}_{}@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",
                "",
                "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(${port})
                    },
                    bypassList: ["foobar.com"]
                }
              };
            chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});
            function callbackFn(details) {
                return {
                    authCredentials: {
                        username: "${username}",
                        password: "${password}"
                    }
                };
            }
            chrome.webRequest.onAuthRequired.addListener(
                callbackFn,
                {urls: [""]},
                ['blocking']
            );
            """
        ).substitute(
            host=proxy_host,
            port=proxy_port,
            username=proxy_username,
            password=proxy_password,
            scheme=scheme,
        )
        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)
    # 修改webdriver get屬性
    # script = '''
    # Object.defineProperty(navigator, 'webdriver', {
    # get: () => undefined
    # })
    # '''
    # driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})     
    driver.get(")