前言
我是从今年二月底才开始接触到爬虫的——此前，我对此一无所知，连header，request都不知道，对于html更是一窍不通。我并不是一个程序员，我非计算机类专业出身，学的是传统工科，本科时对编程也毫无兴趣，唯一的编程方向的启蒙说大一必修的公共课C++。总之，大学时的我从未想过将从事数据相关职业，可以说造化弄人了。作为一个大龄半自学不成材的新人数据产品经理，在工作后的三个月里，学到了很多，更意识到不懂的更多，学海茫茫，不要心慌，不要气馁，好好游吧。
我觉得将这段时间的心得体会，遇到的问题，解决的问题，没能解决的问题都记录下来。我的程度决定了我的想法和代码都比较稚嫩，也许只能给像我一样的新手一点小小的参考，如有错误还请指正，谢谢啦。
警告⚠： 本文中不会出现太多代码（因为我大部分代码反正也都是抄来抄去改一改的），如果感觉很话痨很无聊，请绕行。
关于环境
我现在用的是python3.6.4，chrome版本是66，对应的chromedriver版本是2.38。 对于两者版本号需要对应，否则chrome driver是没办法正常工作的，这个博客整理了对应关系。chromedriver与chrome的对应关系表，下面还附有chromedriver的下载地址，chromedriver下载。
chromedriver下载之后我是将解压后的.exe复制粘贴在路径： C:\Windows\System32 里。完成这个以后还需要用pip3 安装selenium （pip3这个有很详细的解释，只想稍微说一句：大部分轮子都不需要自己在网上下哇！只需要在cmd 里面，python安装文件夹里，输入pip3 install 想要的文件名 ，程序就自动将对应版本的包连下载带安装都搞好了，我居然最近才知道……）
环境好像可以说的也就这么多，以后遇到具体问题再来补充好了。
Selenium的特点
是一个自动化的测试工具，这个介绍也是网上都有很多了。好处咣咣的，因为它是浏览器！不是模拟，不是假装，就是一个货真价实的浏览器！一切的操作都那么直白，你平时输密码的地方一样输密码（输法略有不同），平时点点点的地方一样点点点，后退刷新关页面，非常符合正常人的使用思路了。而且还有好处呢，相信你也很清楚了，就是对于小白用户（比如我）来说，和想爬的网站之间斗智斗勇的难度都降低了不少，毕竟我们就是个浏览器，只不过是个非常有耐心，可以连着几个小时一直点点点，而且手速略快的浏览器：）网站为了反爬做出的那些努力，比如说什么异步加载啦，渲染啦，测速啦（这些概念我现在还很一知半解）都显得有点无能为力……毕竟再怎么样，数据最终还是要拿给用户看的，拿给用户看就是拿给我看，只要数据能拿到，一切都好办。一般网站对selenium的限制可能就是要求多刷新几次这样吧，毕竟也不能设置规则真的封ip，因为误伤的几率很大啊，真实的客户也很讨厌动不动输验证码，断网，这种不好的体验，所以我们也就被放过咯。
所以看完上面这段的新人你肯定跟我当初一样很激动，哦，但是事物总是好坏相伴。坏事就是，浏览器爬虫的速度和规模，都会有很大限制。我个人觉得，selenium爬虫适合做一些小而美的项目，定向爬取自己感兴趣的，有价值的一部分信息，但是如果想要大而全……就真的请考虑别的办法吧。
比如说，我的老板，上周四给我布置了一个任务，让我把58同城上我们城市的所有租房信息都爬下来存起来……这个，真的是臣妾做不到啊！我的浏览器需要孤独地在后台一个网页一个网页地点开，爬取的速度永远跟不上更新的速度，就算它假设从我爬取时再也不更新，我也需要打开200万个页面，还不时被网站禁止请求……200万，一个天荒地老的，孤独的数字……好了扯远了，遇到这种情况我们该咋办呢？学习分布式爬虫，建立庞大的ip池，更新更好的硬件，做一个集群等等……最重要的是，真诚地看着老板的眼睛说，
“对不起，我不会。”
然鹅我忘记了第一时间甩锅，还好后来好好解释了一下技术的难度，同时真诚表达了我会努力学习的高觉悟，老板同意让我那就先爬一部分吧。
好了根据我以上的真实案例，相信你对selenium的好处和局限性应该又有了一点新的认识。在我看来，selenium是一个非常佛系的爬虫，它可以慢悠悠的每两秒钟开一个网页（我自己设置的为了防反爬），每一个动作都在告诉你：不要着急，不要着急，慢慢来，但是时间可以慢慢展示它真正的力量，告诉你什么叫聚沙成塔，龟兔赛跑，你天长地久地爬下去，总有一天可以看到胜利的曙光……
本次废话到此结束，谢谢观看（咦然而并没有人看）
网友评论