基于Selenium库模拟用户行为的QQ空间爬虫

Posted 2023-06-02 hhr346

QQ空间爬虫

代码链接：https://github.com/hhr346/QQ_zone_crawl

该程序的主要实现过程是进入某位好友的空间中，并自动爬取说说的文本内容并存储到txt文件中。方法是使用Chrome浏览器的自动执行功能，来实现翻页，并对html的源代码进行文本提取，通过正则表达式来实现某一块内容的提取。将发布人名称、说说的文本内容、发布日期都写入一个文本文件中。

主要参考文章链接为(https://blog.csdn.net/weixin_43325134/article/details/105859772)

借鉴了该文章的思路，但根据我自己的需求做了较多的更改，具体有以下几个方面：

1. 更换了爬取的门户网站，从而更换了之前的自动向下滚动的方式，而是通过翻页的方式来爬取说说；
2. 没有用pyautogui的库，从而不需要让鼠标一直保持在浏览器上；
3. 我比较在意动态内容，所以在存储内容上也有所不同，并且将所有动态内容存储到一个文件里，从而更高效的利用空间；
4. 鲁棒性较好，不会因为刷新问题而找不到按钮从而报错；
5. 增加了对“展开全文”的点击，从而爬取完整的内容；
   
   

具体使用过程：

1. 下载和自己当前的浏览器版本一致的Chrome Driver，下载网址为(https://chromedriver.chromium.org/)；
2. 填入自己的qq号在my_qq变量里，和要爬取的好友qq号在friendlist，并且在程序运行前先登录桌面端的qq程序，从而更方便快捷的登录qq空间；
3. 运行程序，并注意可能存在的刷新问题。在出现问题时查看浏览器页面的情况（一般情况下等一段时间就好了）
4. 在out文件夹里存有爬取的好友列表的说说文件。

注意事项：

1. 有时候登录可能会比较慢，可以等一会或者重新打开一次（感觉自动登录的速度还不如我直接手动点击呢）；
2. 在网页元素刷新里延时时间很重要，因为刷新不及时导致其还是不能获取也是可能的；
3. 在使用正则表达式表达时，比较难找到一个普适性的规则，这里本来打算是添加“来自”这个手机标签的，但是有一些说说不会有这个标签（可能是桌面端发的），所以妥协就可能把一部分的来自xxx也加入到日期里了；
4. 该程序只处理文本，所以图片和只转发内容的不包含其中；

总结：

1. 查找元素这件事还是有些令人头疼，要精准有效又要有普适性，需要尝试较多次才能找到合适的方法（可能想办法表示其最直观的意义比较好）；
2. 其实能找到自己的朋友圈也可以爬取所有好友的动态内容，但是问题在于有没有翻页的选项；
3. 后续可添加自动获取全部好友qq号列表的功能，循环获取好友的空间信息、评论的获取、评论的展开等；
4. 解决了展开按钮的点击问题（虽然可能也会有一些漏网之鱼），但是却可能触发了qq的反爬虫机制，到70页左右就会显示“当前访问人数较多”的页面，导致不能继续爬了。

如果还想继续发展可能要自动判断和重试，但需要等较长时间才能恢复正常。

爬虫：Selenium库使用

一：Selenium简介

selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。

selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

二：Selenium基本使用

用python写爬虫的时候，主要用的是selenium的Webdriver。（个人主要使用Chrome浏览器）

（1）：声明浏览器对象

selenium支持很多的浏览器，但是如果想要声明并调用浏览器则需要：

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()

（2）：访问页面

from selenium import webdriver

browser = webdriver.Chrome()

browser.get("http://www.baidu.com")
print(browser.page_source)
browser.close() 

# 运行后，会自动打开Chrome浏览器，并登陆百度打印百度首页的源代码，然后关闭浏览器

（3）：查找元素

单个元素查找：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get(‘https://www.taobao.com‘)
input_first = browser.find_element_by_id(‘q‘) # 用id来寻找元素
input_second = browser.find_element_by_css_selector(‘#q‘) # 用css选择器
input_third = browser.find_element_by_xpath(‘//*[@id="q"]‘) # 用xpath来选择
print(input_first, input_second, input_third)
browser.close() # 关闭浏览器

####################### 常用的查找元素的方法
find_element_by_name
find_element_by_id
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
########################

通用的查找方式：By模块

from selenium import webdriver

from selenium.webdriver.common.by import By

browser = webdriver.Chrome()

browser.get("http://www.taobao.com")
input_first = browser.find_element(By.ID,"q")
print(input_first)
browser.close()

#当然这种方法和上述的方式是通用的，browser.find_element(By.ID,"q")这里By.ID中的ID可以替换为其他几个

多个元素查找

# 其实多个元素和单个元素的区别，举个例子：find_elements,单个元素是find_element,其他使用上没什么区别

from selenium import webdriver

browser = webdriver.Chrome()
browser.get("http://www.taobao.com")
lis = browser.find_elements_by_css_selector(‘.service-bd li‘) # 获得的是列表
print(lis)
browser.close()

# 上面这种也可以用By来实现
# lis = browser.find_elements(By.CSS_SELECTOR,‘.service-bd li‘)

###########################
find_elements_by_name
find_elements_by_id
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_partial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector
###########################

元素交互操作

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get("http://www.taobao.com")
input_str = browser.find_element_by_id(‘q‘) # 找到搜索框
input_str.send_keys("手机") # 输入手机
time.sleep(1)
input_str.clear()  # 清除搜索框
input_str.send_keys("电脑") # 输入电脑
button = browser.find_element_by_class_name(‘btn-search‘)
button.click() # 点击按钮

# 运行的结果可以看出程序会自动打开Chrome浏览器并打开淘宝输入手机,然后删除，重新输入电脑，并点击搜索

Selenium的api文档--》查看

交互动作

--》详情

# 交互动作，驱动浏览器进行动作，模拟拖拽动作，将动作附加到动作链中串行执行
from selenium import webdriver
from selenium.webdriver import ActionChains#引入动作链

browser = webdriver.Chrome()
url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘
browser.get(url)
browser.switch_to.frame(‘iframeResult‘)#切换到iframeResult框架
source = browser.find_element_by_css_selector(‘#draggable‘)#找到被拖拽对象
target = browser.find_element_by_css_selector(‘#droppable‘)#找到目标
actions = ActionChains(browser)#声明actions对象
actions.drag_and_drop(source, target)
actions.perform()#执行动作

执行JavaScript

# 有些动作可能没有提供api，比如进度条下拉，这时，我们可以通过代码执行JavaScript
from selenium import webdriver
browser = webdriver.Chrome()
browser.get(‘https://www.zhihu.com/explore‘)
browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘)
browser.execute_script(‘alert("To Bottom")‘)

获取元素属性

# 获取属性  get_attribute(‘class‘)
from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = ‘https://www.zhihu.com/explore‘
browser.get(url)
logo = browser.find_element_by_id(‘zh-top-link-logo‘)#获取网站logo
print(logo)
print(logo.get_attribute(‘class‘))
browser.close()

获取文本值

from selenium import webdriver
browser = webdriver.Chrome()
url = ‘https://www.zhihu.com/explore‘
browser.get(url)
input = browser.find_element_by_class_name(‘zu-top-add-question‘)
print(input.text)#input.text文本值
browser.close()

# 获取Id，位置，标签名，大小
from selenium import webdriver
browser = webdriver.Chrome()
url = ‘https://www.zhihu.com/explore‘
browser.get(url)
input = browser.find_element_by_class_name(‘zu-top-add-question‘)
print(input.id)#获取id
print(input.location)#获取位置
print(input.tag_name)#获取标签名
print(input.size)#获取大小
browser.close()

Frame操作

# frame相当于独立的网页，如果在父类网frame查找子类的，则必须切换到子类的frame，子类如果查找父类也需要先切换
# 常用的是switch_to.from()和switch_to.parent_frame()

from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException

browser = webdriver.Chrome()
url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘
browser.get(url)
browser.switch_to.frame(‘iframeResult‘)
source = browser.find_element_by_css_selector(‘#draggable‘)
print(source)
try:
    logo = browser.find_element_by_class_name(‘logo‘)
except NoSuchElementException:
    print(‘NO LOGO‘)
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name(‘logo‘)
print(logo)
print(logo.text)

等待 --》详细内容

隐式等待

到了一定的时间发现元素还没有加载，则继续等待我们指定的时间，如果超过了我们指定的时间还没有加载就会抛出异常，如果没有需要等待的时候就已经加载完毕就会立即执行

当使用了隐式等待执行测试的时候，如果 WebDriver没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常,换句话说，当查找元素或元素并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0

from selenium import webdriver

browser = webdriver.Chrome()
browser.implicitly_wait(10) # 等待十秒加载不出来就会抛出异常，10秒内加载出来正常返回
browser.get(‘https://www.zhihu.com/explore‘)
input = browser.find_element_by_class_name(‘zu-top-add-question‘)
print(input)

显示等待 

指定一个等待条件，和一个最长等待时间，程序会判断在等待时间内条件是否满足，如果满足则返回，如果不满足会继续等待，超过时间就会抛出异常

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

browser = webdriver.Chrome()
browser.get(‘https://www.taobao.com/‘)
wait = WebDriverWait(browser, 10)
input = wait.until(EC.presence_of_element_located((By.ID, ‘q‘)))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ‘.btn-search‘)))
print(input, button)


######################
title_is 标题是某内容
title_contains 标题包含某内容
presence_of_element_located 元素加载出，传入定位元组，如(By.ID, ‘p‘)
visibility_of_element_located 元素可见，传入定位元组
visibility_of 可见，传入元素对象
presence_of_all_elements_located 所有元素加载出
text_to_be_present_in_element 某个元素文本包含某文字
text_to_be_present_in_element_value 某个元素值包含某文字
frame_to_be_available_and_switch_to_it frame加载并切换
invisibility_of_element_located 元素不可见
element_to_be_clickable 元素可点击
staleness_of 判断一个元素是否仍在DOM，可判断页面是否已经刷新
element_to_be_selected 元素可选择，传元素对象
element_located_to_be_selected 元素可选择，传入定位元组
element_selection_state_to_be 传入元素对象以及状态，相等返回True，否则返回False
element_located_selection_state_to_be 传入定位元组以及状态，相等返回True，否则返回False
alert_is_present 是否出现Alert
#######################

前进后退-实现浏览器的前进后退以浏览不同的网页

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get(‘https://www.baidu.com/‘)
browser.get(‘https://www.taobao.com/‘)
browser.get(‘https://www.python.org/‘)
browser.back() # 后退
time.sleep(1)
browser.forward() # 前进
browser.close()

Cookies

from selenium import webdriver

browser = webdriver.Chrome()
browser.get(‘https://www.zhihu.com/explore‘)
print(browser.get_cookies())
browser.add_cookie({‘name‘: ‘name‘, ‘domain‘: ‘www.zhihu.com‘, ‘value‘: ‘germey‘}) # 添加Cookies
print(browser.get_cookies()) # 获取cookies
browser.delete_all_cookies() # 删除全部cookie
print(browser.get_cookies())

选项卡管理 增加浏览器窗口

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get(‘https://www.baidu.com‘)
browser.execute_script(‘window.open()‘) # 执行js命令打开新的选项卡
print(browser.window_handles) # 不同的选项卡存在列表里
browser.switch_to_window(browser.window_handles[1]) # 可以操作的第二个选项卡
browser.get(‘https://www.taobao.com‘)
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])
browser.get(‘http://www.fishc.com‘)

异常处理--》详情内容

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException

browser = webdriver.Chrome()
try:
    browser.get(‘https://www.baidu.com‘)
except TimeoutException:
    print(‘Time Out‘)
try:
    browser.find_element_by_id(‘hello‘)
except NoSuchElementException:
    print(‘No Element‘)
finally:
    browser.close()