Linux 服务器配置使用代理 IP 的selenium 爬虫
在 Linux 服务器运行爬虫有时可以取得奇效,但在 Linux 服务器环境(即无图形化界面)下配置爬虫环境、代理 IP 与常见的 Windows 环境有着较大区别。本文为对在 Linux 服务器上配置 selenium 及 Google Chrome 环境并基于代理 IP 运行爬虫的经历记录,针对一些笔者遇到的坑提供了解决方案,供读者参考。
一、基础环境
操作系统:Ubuntu 20.0
Python:3.7
代理 IP:Clash(关于在 Linux 环境配置 Clash 的操作可见文章Linux服务器基于代理IP的爬虫_西南小游侠的博客-CSDN博客)
二、安装并使用 Google Chrome
首先需要在 Root 账户下,直接从 Chrome 官网下载并安装 Chrome:
sudo apt-get install libxss1 libappindicator1 libindicator7wget https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.debsudo dpkg -i google-chrome*.deb sudo apt-get install -f
安装完成后,需要修改配置文件使其能够在 Root 权限下运行。打开 /opt/google/chrome/google-chrome 文件,找到命令:
exec -a "$0" "$HERE/chrome" "$@"
在其末尾添加命令成为:
exec -a "$0" "$HERE/chrome" "$@" --user-data-dir --no-sandbox
接着基于以下命令测试是否可以使用 Chrome:
google-chrome --headless --remote-debugging-port=9222 https://chromium.org --disable-gpu
输出网页内容即可。
接下来需要通过修改部分文件权限保证在非 Root 账户可以使用 Chrome。
登录到一个非 Root 账户,测试上述命令,发现其报错:
该错误是因为启动 Chrome 需要修改 /tmp/Crashpad 文件夹,但该账户没有权限修改该文件夹。解决方法为将 /tmp/Crashpad 文件夹的权限修改,在 Root 账户输入:
chmod -R 777 /tmp/Crashpad
在运行 Chrome,发现报错:
同理,修改文件夹权限,此处直接将 /opt 文件夹权限开放:
chmod -R 777 /opt
再运行 Chrome,发现可以成功运行了。
三、安装并使用 selenium
首先,需要安装和你所安装的 Chrome 版本一致的 webdriver,首先查看 Chrome 版本:
google-chrome --version
接着,根据 Chrome 版本号,从网站 CNPM Binaries Mirror (npmmirror.com) 下载对应版本的 webdriver 并解压到一个自定义目录即可。
接下来需要安装 Python 第三方库 selenium,直接通过 conda 安装即可:
conda install selenium
然后就可以在代码中运行基于 selenium 的爬虫了,提供一个代码示例:
from selenium import webdriverfrom selenium.webdriver.chrome.options import Optionswd = webdriver.Chrome(executable_path='path_for_webdriver')wd.get("https://www.baidu.com")content = wd.page_sourceurl = wd.current_urlprint(url)print(content)wd.quit()
但是,直接运行该代码会报错:
该错误是比较常见的,通过在网上查询可知,是需要添加启动参数,但不同的系统可能需要不同的参数才能启动,有的仅需要1~3个,笔者的系统需要以下5个参数都添加才可以启动:
chrome_options = Options()chrome_options.add_argument('--headless')chrome_options.add_argument('--disable-gpu')chrome_options.add_argument('--no-sandbox')chrome_options.add_argument('--disable-dev-shm-usage')chrome_options.add_argument("--remote-debugging-port=9222")
添加这些参数后,即可成功运行,完整代码示例如下:
from selenium import webdriverfrom selenium.webdriver.chrome.options import Optionschrome_options = Options()chrome_options.add_argument('--headless')# 使用无头模式,无 GUI的Linux服务器必须添加chrome_options.add_argument('--disable-gpu')# 不使用GPU,有的机器不支持GPUchrome_options.add_argument('--no-sandbox')# 运行 Chrome 的必需参数chrome_options.add_argument('--disable-dev-shm-usage')chrome_options.add_argument("--remote-debugging-port=9222")# 以上两个参数具体作用不明,但笔者机器需要这两个参数才能运行chrome_options.add_argument("user-agent='Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'")# 该参数用于避免被认出,非必需参数wd = webdriver.Chrome(chrome_options=chrome_options,executable_path='path_for_webdriver')wd.get("https://www.baidu.com")content = wd.page_sourceurl = wd.current_urlprint(url)print(content)wd.quit()
四、使用代理 IP 的 selenium 爬虫
在上一篇文章中,我们已经配置好了基于 Clash 的代理 IP,接下来直接向爬虫代码中添加部分即可:
from selenium import webdriverfrom selenium.webdriver.chrome.options import Optionschrome_options = Options()chrome_options.add_argument('--headless')chrome_options.add_argument('--disable-gpu')chrome_options.add_argument('--no-sandbox')chrome_options.add_argument('--disable-dev-shm-usage')chrome_options.add_argument("--remote-debugging-port=9222")chrome_options.add_argument('--proxy-server=http://127.0.0.1:7890') # 添加部分,使用代理IPchrome_options.add_argument("user-agent='Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'")wd = webdriver.Chrome(chrome_options=chrome_options,executable_path='path_for_webdriver')try: wd.get("https://www.google.com") content = wd.page_source url = wd.current_url print(url) print(content)finally: wd.quit()
接下来运行即可成功访问 Google。
来源地址:https://blog.csdn.net/UIBE_day_day_up/article/details/128989600