selenium+python配置chrome浏览器的选项

朱雀 2022-04-22 13:00 407阅读 0赞

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：  
        禁止图片和视频的加载：提升网页加载速度。  
        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。  
        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。  
        添加扩展：像正常使用浏览器一样的功能。  
        设置编码：应对中文站，防止乱码。  
        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。  
        这里写图片描述

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：  
    这里写图片描述

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

这里写图片描述  
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 <module>
        # 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

来源：CSDN  
原文：https://blog.csdn.net/zwq912318834/article/details/78933910