转载：使用selenium爬取微博内容

来源：互联网发布：maven nexus windows 编辑：程序博客网时间：2024/06/05 13:27

标签（空格分隔）： Python selenium

前言

近来都在与新浪这个大佬在pk。首先是网页爬取新浪微博，遇到的难题是cookie的存活期太慢，一般爬十分钟就over了一个；后来发明了手机版的模拟登录，顺风顺水了一段时间，结果新浪又来一个验证码，被气得半死。无奈手动输入验证码后，再模拟登录。然而不过两个月，新浪哥又开始抓严，搞得手机版的模拟登陆经常登陆不上去。最后实在无办法了，只好真的去“模拟”浏览器实现爬虫了。说道浏览器自动化操作，目前最好用的就是selenium啦。

关于selenium

Selenium原本是一个用于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。它支持的浏览器包括IE,Chrome和Firefox等。现在很多虫师为了绕过反爬虫的机制，都选择selenium。由于selenium的原理是唤起浏览器操作，因而代价就是爬虫的非常慢。

selenium的安装

我的机子是Ubuntu，所以下面主要是总结我在Ubuntu安装的过程。
1. 输入安装命令行

sudo pip install -U selenium

2.下载驱动器geckodriver
（百度网盘的下载链接http://pan.baidu.com/s/1sk9Rw3z）
3.更新浏览器
如FireFox:

sudo apt-get update –> sudo apt-get install firefox

4.selenium的测试代码

from selenium import webdriverbrowser = webdriver.Firefox(executable_path='/PycharmProjects/Weibo/geckodriver')  ## 配置驱动文件所在的路径(路径为geckodriver的存放路径)browser.get("http://www.weibo.com/login.php")  ## 浏览器Get请求访问print browser.page_source  ## 输入返回的源代码

PS：在我测试的时候它告诉我配置文件路径错了，那这该如何是好？
这个时候我将我的geckodriver放到另外一个地方：

sudo cp /home/totoro/codes/PycharmProjects/Weibo/geckodriver /usr/local/bin/geckodriver

然后进入存放目录查看情况：

cd /usr/local/bin

ls -l

由于默认权限不是777，所以对其进行更改

sudo chmod 777 geckodriver

最后就可以看到geckodriver呈现绿色了

selenium的测试结果

此处输入图片的描述

模拟登录过程

selenium开启的浏览器，但用户可以当这个浏览器正常使用。所以模拟登录的过程，其实就是程序设置休眠时间，让用户输入账号密码并完成登陆操作后，再实行网页抓取。具体的代码如下：

from selenium import webdriverimport timebrowser = webdriver.Firefox(executable_path='/home/gdufs-iiip/PycharmProjects/Weibo/geckodriver')  ## 配置驱动文件所在的路径browser.get("http://www.weibo.com/login.php")  ## 浏览器Get请求访问begin_time = time.time()  ##记录开始账号密码的时间while(True):    if ((time.time() - begin_time) > 60):  ## 实现登录的时限为60秒        search_url = 'http://weibo.cn/search/mblog?hideSearchFrame=&keyword=林丹出轨&sort=hot&page=1' ##实行新闻网页抓取        browser.get(search_url)        content = browser.page_source        breakprint content

0 0