IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 开发测试 -> selenium爬取portswigger文章链接【较基础】 -> 正文阅读

[开发测试]selenium爬取portswigger文章链接【较基础】

0x00 前言

好久没敲代码,刚好通过森森发的活提升一下

webdriver以chrome为例

为什么使用selenium?

通过requests只能爬取原网页代码
通过selenium才可以爬取执行 js 后的网页数据,实现“所见即所得”

All Articles - PortSwigger Research 为例

审查元素时经过渲染更为美观,a标签均处于

但直接查看源代码我们就找不到(request同理) 后面会发现源代码中的a位置比较杂乱无章不方便定位

在这里插入图片描述

环境准备

1.下载驱动

chromedriver.storage.googleapis.com/index.html

根据自己浏览器版本选择合适驱动,放置于python目录下

EG:

在这里插入图片描述

在这里插入图片描述

2.安装库

pip install selenium

3.python3即可

本文是3.9

元素定位

参考文章

如何使用Xpath定位元素(史上最清晰的讲解)_qq_43022048的博客-CSDN博客_xpath定位元素

EG:

明确我们要定位的目标,每个a标签中的href

位于div class=“infinitescroller cmsinfinitescroller” /div class=“pagePlaceholder tilelayoutengine-page fourcolumns”

在这里插入图片描述

折叠收缩一下更为直观

经过测试第二层div columns会变动

懒一点直接从大的开始定位 因为class_name独特

在这里插入图片描述

走相对路径

//div[@class='infinitescroller cmsinfinitescroller']/div/a

在这里插入图片描述

浅析一下:

第一层通过class直接定位大div,/div到第二层div(这里没必要进行属性描述,因为三个二层div我们都要,如果针对特定某个div可以在后面加上索引)

最后直接定位a(备注同第二层div)

PS:新版selenium已经废弃了find_element_by_* 命令,直接用find_element

(个人觉得XPATH最好用,比较无脑)

Selenium3自动化测试【21】find_element定位元素_探索之家的技术博客_51CTO博客

在这里插入图片描述

贴script

import tempfile, os.path as path
import time
from selenium.webdriver.common.by import By
from selenium import webdriver
from selenium.webdriver.chrome.service import Service

URL='https://portswigger.net/research/articles'
#设置日志动态暂存,避免因路径或权限报错
log_path = path.join(tempfile.mkdtemp(), 'ghostdriver.log')
#将下载好的驱动程序放到你的python目录下
s = Service(executable_path=r"C:\Users\87308\AppData\Local\Programs\Python\Python39\chromedriver.exe")
driver = webdriver.Chrome(service=s, service_log_path=log_path)

#通过xpath定位a元素
def get_a(url,driver=driver):
    driver.get(url)
    #隐式等待渲染
    driver.implicitly_wait(10)
    a=driver.find_elements(By.XPATH,"//div[@class='infinitescroller cmsinfinitescroller']/div/a")
    return a

r=get_a(URL)
for i in r:
    url=i.get_attribute("href")
    with open(r'./portswigger_researchurl.txt', 'a+', encoding='utf-8') as f:
         f.write(url+'\n')
#test了一下,这里不做等待直接quit会导致数据不全
time.sleep(3)
driver.quit()

0x01 script

根据链接爬取文章写入数据库文件

import tempfile, os.path as path
import time
from selenium.webdriver.common.by import By
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
import sqlite3
import traceback
import logging
import pymysql

DATABASE = 'portswigger_research.db'
TABLE_NAME = 'portswigger_research'
log_path = path.join(tempfile.mkdtemp(), 'ghostdriver.log')
s = Service(executable_path=r"C:\Users\87308\AppData\Local\Programs\Python\Python39\chromedriver.exe")
options = webdriver.ChromeOptions()
options.add_argument('blink-settings=imagesEnabled=false')
driver = webdriver.Chrome(service=s, service_log_path=log_path, options=options)
#创建表
CRAETE_TABLE_SQL = 'CREATE TABLE {0} (id integer primary key autoincrement, title text ,content text, url text, author text, publish_time text, update_time text );'
INSERT_DATA = "INSERT INTO {0} (title,content,url,author,publish_time,update_time) VALUES ('{1}','{2}', '{3}', '{4}', '{5}', '{6}');"

# 获取页面信息,返回六个字符串
def get_content(url, driver=driver):
    driver.get(url)
    driver.implicitly_wait(10)
    # 标题
    title = driver.find_element(By.XPATH, "//div[@class='section theme-navy-1']/h1").text
    # 作者
    author = driver.find_element(By.XPATH, "//div[@class='section theme-navy-1']/div[@class='callout-individual-profile']/div/h3").text
    # 发布时间 注意索引从1开始计数
    p_time = driver.find_element(By.XPATH, "//ul[@class='publication-list']/li[1]/p")
    publish_time = p_time.text[11:]
    # 更新时间
    u_time = driver.find_element(By.XPATH, "//ul[@class='publication-list']/li[2]/p")
    update_time = u_time.text[12:]
    # 文章内容
    # 1.text
    text_part = driver.find_elements(By.XPATH, "//div[@class='section theme-navy-1']/p")
    research_text = ""
    for i in text_part:
        research_text = research_text + i.text + '\n'
    research_text = research_text.strip()
    # 2.code
    code_part = driver.find_elements(By.XPATH, "//code/a")
    research_code = ""
    for i in code_part:
        research_code = research_code + i.text + '\n'
    # 3.img
    img_part = driver.find_elements(By.XPATH, "//img")
    research_img = ""
    for i in img_part:
        research_img = research_img + i.get_attribute("src") + '\n'

    research_content = research_text + research_code + research_img
    # 引号记得转义,但我照网上较多方法试了 都会报错... 干脆直接把内容里的单引号扔了c 有兴趣自己转义着试试
    research_content = research_content.replace("'","")
    title = title.replace("'","")
    return title, research_content, url, author, publish_time, update_time

# db数据库插入数据
def InsertData(title,research_content,url,author,publish_time,update_time):
    conn = None
    sql = INSERT_DATA.format(TABLE_NAME, title, research_content, url, author, publish_time, update_time)
    try:
        conn = sqlite3.connect(DATABASE)
        cur = conn.cursor()
        cur.execute(sql)
        conn.commit()
        conn.close()
        print("Insert successfully!")
        return 1
    except Exception as e:
        print(sql)
        # print(sql_test)
        print(traceback.format_exc())
        logging.debug(sql)
        # logging.debug(sql_test)
        logging.debug(traceback.format_exc())
        return 0

# 创建数据表
def CreateTable(database, table, sql):
    create_sql = sql.format(table)
    try:
        conn = sqlite3.connect(database)
        conn.execute(create_sql)
    except Exception as e:
        print(sql)
        print(traceback.format_exc())
        logging.debug(sql)
        logging.debug(traceback.format_exc())
    finally:
        if hasattr(conn, 'close'):
            conn.close()

if __name__ == "__main__":
    CreateTable(DATABASE, TABLE_NAME, CRAETE_TABLE_SQL)
    with open('./portswigger_researchurl.txt','r',encoding='utf-8') as f:
        url = f.readline().replace('\n', '')
        # print(url)
        while url:
            try:
                title, research_content, url, author, publish_time, update_time = get_content(url)
                InsertData(title, research_content, url, author, publish_time, update_time)
                url = f.readline().replace('\n', '')
                # sleep避免访问过快被ban
                time.sleep(5)
            except Exception as e:
                print(url+' error!\n')
                print('My exception occurred, value:',e.value)
  开发测试 最新文章
pytest系列——allure之生成测试报告(Wind
某大厂软件测试岗一面笔试题+二面问答题面试
iperf 学习笔记
关于Python中使用selenium八大定位方法
【软件测试】为什么提升不了?8年测试总结再
软件测试复习
PHP笔记-Smarty模板引擎的使用
C++Test使用入门
【Java】单元测试
Net core 3.x 获取客户端地址
上一篇文章      下一篇文章      查看所有文章
加:2022-04-28 12:09:15  更:2022-04-28 12:09:53 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年5日历 -2024/5/19 9:08:59-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码