博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
用C#+Selenium+ChromeDriver 爬取网页,完美模拟真实的用户浏览行为
阅读量:4036 次
发布时间:2019-05-24

本文共 6197 字,大约阅读时间需要 20 分钟。

背景

 Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中,就像真正的用户在操作一样。而对于爬虫来说,使用Selenium操控浏览器来爬取网上的数据那么肯定是爬虫中的杀手武器。这里,我将介绍selenium + 谷歌浏览器的一般使用。

需求

在平常的爬虫开发中,有时候网页是一堆js堆起来的代码,涉及很多异步计算,如果是普通的http 控制台请求,那么得到的源文件是一堆js ,需要自己在去组装数据,很费力;但是采用Selenium+ChromeDriver可以达到所见即所得的完美效果。

实现方式

项目结构:为了方便使用,用的winform程序,附nuget包

 以下是form1.cs的代码,这里就只放关键方法代码了。需要安装最新的chrome浏览器+代码中使用的chromedriver是 v2.9.248315

 

private void crawlingWebFunc()        {            SetText("\r\n开始尝试...");            List
surls = new List
(); string path = System.Environment.CurrentDirectory + "\\图片url\\"; DirectoryInfo root = new DirectoryInfo(path); DirectoryInfo[] dics = root.GetDirectories(); foreach (var itemdic in dics) { string txt = ""; StreamReader sr = new StreamReader(itemdic.FullName + "\\data.txt"); while (!sr.EndOfStream) { string str = sr.ReadLine(); txt += str;// + "\n"; } sr.Close(); surls.Add(new testfold() { key = itemdic.FullName, picurl = txt }); } ChromeDriverService service = ChromeDriverService.CreateDefaultService(System.Environment.CurrentDirectory); // service.HideCommandPromptWindow = true; ChromeOptions options = new ChromeOptions(); options.AddArguments("--test-type", "--ignore-certificate-errors"); options.AddArgument("enable-automation"); // options.AddArgument("headless"); // options.AddArguments("--proxy-server=http://user:password@yourProxyServer.com:8080"); using (IWebDriver driver = new OpenQA.Selenium.Chrome.ChromeDriver(service, options, TimeSpan.FromSeconds(120))) { driver.Url = "https://www.1688.com/"; Thread.Sleep(200); try { int a = 1; foreach (var itemsurls in surls) { SetText("\r\n第" + a.ToString() + "个"); driver.Navigate().GoToUrl(itemsurls.picurl); //登录 if (driver.Url.Contains("login.1688.com")) { SetText("\r\n需要登录,开始尝试..."); trylogin(driver); //尝试登录完成 //再试试 driver.Navigate().GoToUrl("https://s.1688.com/youyuan/index.htm?tab=imageSearch&imageType=oss&imageAddress=cbuimgsearch/eWXC7XHHPN1607529600000&spm="); if (driver.Url.Contains("login.1688.com")) { //没办法退出 SetText("\r\n退出,换ip重试..."); return; } } //鼠标放上去的内容因为页面自带只能显示一个的原因 没办法做到全部显示 然后在下载 只能是其他方式下载 // var elements = document.getElementsByClassName('hover-container'); // Array.prototype.forEach.call(elements, function(element) { // element.style.display = "block"; // console.log(element); // }); // IJavaScriptExecutor js = (IJavaScriptExecutor)driver; // var sss = js.ExecuteScript(" var elements = document.getElementsByClassName('hover-container'); Array.prototype.forEach.call(elements, function(element) { console.log(element); element.setAttribute(\"class\", \"测试title\"); element.style.display = \"block\"; console.log(element); });"); Thread.Sleep(500); var responseModel = Write(itemsurls.key, driver.PageSource, Pagetypeenum.列表); Thread.Sleep(500); int i = 1; foreach (var offer in responseModel?.data?.offerList ?? new List
()) { driver.Navigate().GoToUrl(offer.information.detailUrl); string responseDatadetail = driver.PageSource; Write(itemsurls.key, driver.PageSource, Pagetypeenum.详情); SetText("\r\n第" + a.ToString() + "-" + i.ToString() + "个"); Thread.Sleep(500); i++; } } } catch (Exception ex) { CloseChromeDriver(driver); throw; } } }

  

#region 异常  退出chromedriver        [DllImport("user32.dll", EntryPoint = "FindWindow")]        private extern static IntPtr FindWindow(string lpClassName, string lpWindowName);        [DllImport("user32.dll", EntryPoint = "SendMessage")]        public static extern int SendMessage(IntPtr hWnd, int Msg, int wParam, int lParam);        public const int SW_HIDE = 0;        public const int SW_SHOW = 5;        [DllImport("user32.dll", EntryPoint = "ShowWindow")]        public static extern int ShowWindow(IntPtr hwnd, int nCmdShow);        ///         /// 获取窗口句柄        ///         /// 
public IntPtr GetWindowHandle() { string name = (Environment.CurrentDirectory + "\\chromedriver.exe"); IntPtr hwd = FindWindow(null, name); return hwd; } ///  /// 关闭chromedriver窗口 ///  public void CloseWindow() { try { IntPtr hwd = GetWindowHandle(); SendMessage(hwd, 0x10, 0, 0); } catch { } } ///  /// 退出chromedriver ///  /// 
public void CloseChromeDriver(IWebDriver driver) { try { driver.Quit(); driver.Dispose(); } catch { } CloseWindow(); } #endregion 异常 退出chromedriver

 效果

总结

说一下思路:

1.跳转到指定的网页driver.Navigate().GoToUrl

2.确定数据源,从driver.PageSource读取数据

3.对html数据进行解析

转载地址:http://xgkdi.baihongyu.com/

你可能感兴趣的文章
2020年终总结
查看>>
linux内核学习(4)建立正式内核的页式内存映射, 以x86 32位模式为例
查看>>
慢慢欣赏linux 查看硬盘情况
查看>>
慢慢欣赏linux vsftpd的使用
查看>>
慢慢欣赏linux 进程哈希表
查看>>
慢慢欣赏linux qemu编译和启动
查看>>
慢慢欣赏linux qemu gdb调试跟踪
查看>>
慢慢欣赏linux dsa驱动
查看>>
慢慢欣赏linux 用户栈与内核栈
查看>>
慢慢欣赏linux 系统调用
查看>>
windows10打开vmware镜像死机
查看>>
不同的进程是否能够共享fd
查看>>
软件人生感触之六 负载再加重一点点
查看>>
慢慢欣赏linux switch_to
查看>>
慢慢欣赏linux 使用qemu调试startup_64
查看>>
慢慢欣赏linux 进程创建的时候堆栈的建立
查看>>
慢慢欣赏linux 进程组的终止
查看>>
慢慢欣赏linux 获取进程组id即tgid
查看>>
Ubuntu进入root的方式
查看>>
慢慢欣赏linux init_task进程
查看>>