selenium+python配置chrome浏览器的选项

selenium+python配置chrome浏览器的选项

1. 背景

在使用selenium浏览器渲染技术,爬取网站信息时,默认情况下就是一个普通的纯净的chrome浏览器,而我们平时在使用浏览器时,经常就添加一些插件,扩展,代理之类的应用。相对应的,当我们用chrome浏览器爬取网站时,可能需要对这个chrome做一些特殊的配置,以满足爬虫的行为。

常用的行为有:

1   禁止图片和视频的加载:提升网页加载速度。

2  添加代理:用于翻墙访问某些页面,或者应对IP访问频率限制的反爬技术。

3  使用移动头:访问移动端的站点,一般这种站点的反爬技术比较薄弱。

4  添加扩展:像正常使用浏览器一样的功能。

5  设置编码:应对中文站,防止乱码。

6  阻止JavaScript执行。

………

2. 环境

python 3.6.1

系统:win7

IDE:pycharm

安装过chrome浏览器

配置好chromedriver

selenium 3.7.0

3. chromeOptions

chromeOptions 是一个配置 chrome 启动是属性的类。通过这个类,我们可以为chrome配置如下参数(这个部分可以通过selenium源码看到):

设置 chrome 二进制文件位置 (binary_location)

添加启动参数 (add_argument)

添加扩展应用 (add_extension, add_encoded_extension)

添加实验性质的设置参数 (add_experimental_option)

设置调试器地址 (debugger_address)

源代码:

# .\Lib\site-packages\selenium\webdriver\chrome\options.py

class Options(object):

    def __init__(self):

        # 设置 chrome 二进制文件位置

        self._binary_location = ''

        # 添加启动参数

        self._arguments = []

        # 添加扩展应用

        self._extension_files = []

        self._extensions = []

        # 添加实验性质的设置参数

        self._experimental_options = {}

        # 设置调试器地址

        self._debugger_address = None

使用案例:

# 设置默认编码为 utf-8,也就是中文

from selenium import webdriver

options = webdriver.ChromeOptions()

options.add_argument('lang=zh_CN.UTF-8')

driver = webdriver.Chrome(chrome_options = options)


4. 常用配置官方网站参考:https://sites.google.com/a/chromium.org/chromedriver/capabilities

4.1. 设置编码格式

# 设置默认编码为 utf-8,也就是中文

from selenium import webdriver

options = webdriver.ChromeOptions()

options.add_argument('lang=zh_CN.UTF-8')

driver = webdriver.Chrome(chrome_options = options)

4.2. 模拟移动设备

移动设备user-agent表格:http://www.fynas.com/ua

因为移动版网站的反爬虫的能力比较弱

# 通过设置user-agent,用来模拟移动设备

# 比如模拟 android QQ浏览器

options.add_argument('user-agent="MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1"')

# 模拟iPhone 6

options.add_argument('user-agent="Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1"')

4.3. 禁止图片加载

不加载图片的情况下,可以提升爬取速度。

# 禁止图片的加载

from selenium import webdriver

chrome_options = webdriver.ChromeOptions()

prefs = {"profile.managed_default_content_settings.images": 2}

chrome_options.add_experimental_option("prefs", prefs)

# 启动浏览器,并设置好wait

browser = webdriver.Chrome(chrome_options=chrome_options)

browser.set_window_size(configure.windowHeight, configure.windowWidth)  # 根据桌面分辨率来定,主要是为了抓到验证码的截屏

wait = WebDriverWait(browser, timeout = configure.timeoutMain)

4.4. 添加代理

为selenium爬虫添加代理,这个地方尤其需要注意的是,在选择代理时,尽量选择静态IP,才能提升爬取的稳定性。因为如果选择selenium来做爬虫,说明网站的反爬能力比较高(要不然直接上scrapy了),对网页之间的连贯性,cookies,用户状态等有较高的监测。如果使用动态匿名IP,每个IP的存活时间是很短的(1~3分钟)。

from selenium import webdriver

# 静态IP:102.23.1.105:2005

# 阿布云动态IP:http://D37EPSERV96VT4W2:CERU56DAEB345HU90@proxy.abuyun.com:9020

PROXY = "proxy_host:proxy:port"

options = webdriver.ChromeOptions()

desired_capabilities = options.to_capabilities()

desired_capabilities['proxy'] = {

    "httpProxy": PROXY,

    "ftpProxy": PROXY,

    "sslProxy": PROXY,

    "noProxy": None,

    "proxyType": "MANUAL",

    "class": "org.openqa.selenium.Proxy",

    "autodetect": False

}

driver = webdriver.Chrome(desired_capabilities = desired_capabilities)


4.5. 浏览器选项设置

selenium一般打开的是不带扩展的纯净的浏览器,但是有时候我们想对浏览器进行一些设置,比如 设置flash选项的默认值为全局始终允许,清除cookies,清除缓存 之类。

想要实现这个目的,有一种思路,下面以chrome浏览器为例:

在selenium爬虫启动时,首先开一个窗口,在地址栏键入:chrome://settings/content 或 chrome://settings/privacy,然后由程序,像操作普通网页一样,进行设置,保存。


4.6. 添加浏览器扩展应用

selenium一般打开的是不带扩展的纯净的浏览器,但是有时候我们爬取数据时需要借助一些插件,比如解析类xpath helper,翻译类,获取额外信息(销量)等。那我们怎么在启动chromedriver时,带上一些我们需要的插件呢?

下面以在chrome中加载Xpath Helper插件为例:

4.6.1. 下载相应的插件

Xpath Helper下载地址:http://download.csdn.net/download/gengliang123/9944202

如下,是一个 以 crx 为后缀的文件:


4.6.2. 将插件路径填入代码中

# 添加xpath helper应用

from selenium import webdriver

chrome_options = webdriver.ChromeOptions()

# 设置好应用扩展

extension_path = 'D:/extension/XPath-Helper_v2.0.2.crx'

chrome_options.add_extension(extension_path)

# 启动浏览器,并设置好wait

browser = webdriver.Chrome(chrome_options=chrome_options)

4.6.3. 结果展示



4.6.4. 注意事项

第一,为了提高爬取速度,尽可能的少加载插件。

第二,有一种方案会加载用户对chrome浏览器的所有配置信息,但是测试并无法使用,如下:

参考文章:http://blog.csdn.net/y100100/article/details/44061469

参考文章:https://www.cnblogs.com/stonewang313/p/3938488.html

参考文章:http://blog.csdn.net/liaojianqiu0115/article/details/78353267

首先进入C:\Users(用户)\你的电脑名称\AppData\Local\Google\Chrome\User Data\Default\Extensions,点开Extensions,里面的文件夹就是安装过的扩展,(记得先把电脑隐藏文件夹显示出来,否则找不到) 但是名字是一堆我看不懂的无序的英文字母,我的办法是一个一个点开找到对应的插件版本号,版本号在chrome Extensions选项里找然后打包你需要的插件:打开chrome的设置,在里面点开扩展程序,选中开发者模式,你安装的插件的下面会出现一个ID,这个ID对应的就是你要打包的插件,然后打包扩展程序,找到对应的文件夹(或者你也可以把这个文件夹复制到电脑任意地方)下面的版本号的文件夹,也就是ID名文件夹内部的那个文件夹,然后点击打包扩展程序,就可以了,会相应的在版本号的同一级地方出现后缀名是crx和pem的文件,这个crx的文件就是我们需要的(不过按照这种方式,在我的本地目录是找不到这样的crx文件,需要单独下载……)。

准备工作完成,看代码:

# 第一种方式

# chrome浏览器的扩展程序都在:C:\Users\Administrator\AppData\Local\Google\Chrome\User Data\Profile 2\Extensions\下

chrome_options.add_argument("user-data-dir=C:/Users/Administrator/AppData/Local/Google/Chrome/User Data")

# 加载所有Chrome配置, 用Chrome地址栏输入chrome://version/,查看自己的“个人资料路径”,然后在浏览器启动时,调用这个配置文件,代码如下:

from selenium import webdriver

option = webdriver.ChromeOptions()

option.add_argument('--user-data-dir=C:\Users\Administrator\AppData\Local\Google\Chrome\User Data') #设置成用户自己的数据目录

driver = webdriver.Chrome(chrome_options=option)


# 出现错误结果

第一,所有浏览器窗口,包括自己打开的都会被控制住。第二,其他动作不起作用,而且会crash。Traceback (most recent call last): File "E:/PyCharmCode/taobaoProductSelenium/taobaoSelenium.py", line 40, in # 启动浏览器,并设置好wait

  File "E:\Miniconda\lib\site-packages\selenium\webdriver\chrome\webdriver.py", line 69, in __init__

    desired_capabilities=desired_capabilities)

  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\webdriver.py", line 151, in __init__

    self.start_session(desired_capabilities, browser_profile)

  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\webdriver.py", line 240, in start_session

    response = self.execute(Command.NEW_SESSION, parameters)

  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\webdriver.py", line 308, in execute

    self.error_handler.check_response(response)

  File "E:\Miniconda\lib\site-packages\selenium\webdriver\remote\errorhandler.py", line 194, in check_response

    raise exception_class(message, screen, stacktrace)

selenium.common.exceptions.WebDriverException: Message: unknown error: Chrome failed to start: crashed

  (Driver info: chromedriver=2.32.498550 (9dec58e66c31bcc53a9ce3c7226f0c1c5810906a),platform=Windows NT 6.1.7601 SP1 x86_64)

5. 其他参数

参考文章:http://blog.csdn.net/liaojianqiu0115/article/details/78353267

5.1. chrome地址栏命令

在Chrome的浏览器地址栏中输入以下命令,就会返回相应的结果。这些命令包括查看内存状态,浏览器状态,网络状态,DNS服务器状态,插件缓存等等。但是需要注意的是这些命令会不停的变动,所以不一定都是好用的。

  about:version - 显示当前版本

  about:memory - 显示本机浏览器内存使用状况

  about:plugins - 显示已安装插件

  about:histograms - 显示历史记录

  about:dns - 显示DNS状态

  about:cache - 显示缓存页面

  about:gpu -是否有硬件加速

  about:flags -开启一些插件 //使用后弹出这么些东西:“请小心,这些实验可能有风险”,不知会不会搞乱俺的配置啊!

  chrome://extensions/ - 查看已经安装的扩展

5.2. chrome实用参数  

其他的一些关于Chrome的实用参数及简要的中文说明,使用方法同上4.5.4,当然也可以在shell中使用。

  –user-data-dir=”[PATH]” 指定用户文件夹User Data路径,可以把书签这样的用户数据保存在系统分区以外的分区。

  –disk-cache-dir=”[PATH]“ 指定缓存Cache路径

  –disk-cache-size= 指定Cache大小,单位Byte

  –first run 重置到初始状态,第一次运行

  –incognito 隐身模式启动

  –disable-javascript 禁用Javascript

  –omnibox-popup-count=”num” 将地址栏弹出的提示菜单数量改为num个。我都改为15个了。

  –user-agent=”xxxxxxxx” 修改HTTP请求头部的Agent字符串,可以通过about:version页面查看修改效果

  –disable-plugins 禁止加载所有插件,可以增加速度。可以通过about:plugins页面查看效果

  –disable-javascript 禁用JavaScript,如果觉得速度慢在加上这个

  –disable-java 禁用java

  –start-maximized 启动就最大化

  –no-sandbox 取消沙盒模式

  –single-process 单进程运行

  –process-per-tab 每个标签使用单独进程

  –process-per-site 每个站点使用单独进程

  –in-process-plugins 插件不启用单独进程

  –disable-popup-blocking 禁用弹出拦截

  –disable-plugins 禁用插件

  –disable-images 禁用图像

  –incognito 启动进入隐身模式

  –enable-udd-profiles 启用账户切换菜单

  –proxy-pac-url 使用pac代理 [via 1/2]

  –lang=zh-CN 设置语言为简体中文

  –disk-cache-dir 自定义缓存目录

  –disk-cache-size 自定义缓存最大值(单位byte)

  –media-cache-size 自定义多媒体缓存最大值(单位byte)

  –bookmark-menu 在工具 栏增加一个书签按钮

  –enable-sync 启用书签同步

  –single-process 单进程运行Google Chrome

  –start-maximized 启动Google Chrome就最大化

  –disable-java 禁止Java

  –no-sandbox 非沙盒模式运行

推荐阅读更多精彩内容

  • 这篇文章在介绍官网的同时使用了比较多的脚本示例,示例里遇到的问题有部分在本篇文章进行了解释,还有一篇文章专门记录了...
    顾顾314阅读 11,370评论 3 32
  • 转载自blog.csdn.net/vinson0526/article/details/51850929 侵删 ...
    DanHei様阅读 2,403评论 0 0
  • 摘要: 之前用Selenium做UI自动化测试从初学到熟练碰到过很多问题,这里就不一一细说了,所以把最基本的操作都...
    Vicky_习惯做唯一阅读 9,893评论 1 23
  • 洞见SELENIUM自动化测试 写在最前面:目前自动化测试并不属于新鲜的事物,或者说自动化测试的各种方法论已经层出...
    立师兄Linty阅读 5,955评论 3 47
  • 我知道将军说的话不一定对,我知道对或错是否能分辨
    斯人邂孤寂阅读 138评论 0 0
  • 没有宏大企业,没有万千追捧,他守着家族传下来的技艺,藏身于毫不起眼的狭窄店面,默默做着自己要持续一生的事业。他是我...
    谷雨CHN阅读 207评论 1 3
  • 我们一起开学, 你在近处,而我却在远方。 前一天晚上, 因为你的作业没写完, 冲你发了脾气。 让姐姐真正对你生气的...
    苏小白8阅读 274评论 7 1
  • #感悟三下乡,青春筑梦行#活动,本人承诺,文章内容为原创,且未在其他平台发表过。 自古以来就有百行孝为先的说法,尊...
    騰訊通知阅读 157评论 1 5
  • 因为渴了,于是打开保温瓶,在玻璃杯里倒入开水,开水的温度很快遍及杯身,杯面开始发烫,杯口未及水面的地方拢上层子水汽...
    23齿轮阅读 201评论 0 1