问题:如何返回 selenium 浏览器(或者如何导入一个返回 selenium 浏览器的 def)

我想在一个函数中启动一个具有特定设置(privoxy、Tor、randon 用户代理......)的 selenium 浏览器,然后在我的代码中调用这个函数。我在里面创建了一个python脚本mybrowser.py:

from selenium import webdriver
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from fake_useragent import UserAgent
from stem import Signal
from stem.control import Controller

class MyBrowserClass:
    def start_browser():
        service_args = [
            '--proxy=127.0.0.1:8118',
            '--proxy-type= http',
            ]
        dcap = dict(DesiredCapabilities.PHANTOMJS)
        dcap["phantomjs.page.settings.userAgent"] = (UserAgent().random)

        browser = webdriver.PhantomJS(service_args = service_args,         desired_capabilities=dcap)
        return browser

    def set_new_ip():
        with Controller.from_port(port=9051) as controller:
            controller.authenticate(password=password) 
            controller.signal(Signal.NEWNYM)

然后我将它导入另一个脚本myscraping.py,里面有这个:

import mybrowser
import time

browser= mybrowser.MyBrowserClass.start_browser()
browser.get("https://canihazip.com/s")
print(browser.page_source)
mybrowser.MyBrowserClass.set_new_ip()
time.sleep(12) 
browser.get("https://canihazip.com/s")
print(browser.page_source)

浏览器正在工作 - 我可以访问该页面并使用.page_source检索它。

但是 IP 在第一次和第二次打印之间没有变化。如果我在myscraping.py中移动函数的内容(并删除 import + 函数调用),那么 IP 会改变。

为什么?返回浏览器有问题吗?我怎样才能解决这个问题?

实际上,情况要复杂一些。当我在调用mybrowser.set_new_ip()和wait of 12 sec之前和之后连接到https://check.torproject.org时(参见下面的行),网页给出的 IP 在第一次和第二次调用之间会发生变化。所以我的 IP 发生了变化(根据 Tor),但是https://httpbin.org/ip和icanhazip.com都没有检测到 IP 的变化。

...
browser.get("https://canihazip.com/s")
print(browser.page_source)
browser.get("https://check.torproject.org/")
print(browser.find_element_by_xpath('//div[@class="content"]').text )
mybrowser.set_new_ip()
time.sleep(12) 
browser.get("https://check.torproject.org/")
print(browser.find_element_by_xpath('//div[@class="content"]').text )
browser.get("https://canihazip.com/s")
print(browser.page_source)

所以打印出来的IP是这样的:

42.38.215.198 (canihazip before mybrowser.set_new_ip() )
42.38.215.198  (check.torproject before mybrowser.set_new_ip() )
106.184.130.30  (check.torproject after mybrowser.set_new_ip() )
42.38.215.198 (canihazip after  mybrowser.set_new_ip())

Privoxy 配置:在C:\Program Files (x86)\Privoxy\config.txt中,我取消了对这一行的注释(9050 是 Tor 使用的端口):

forward-socks5t   /               127.0.0.1:9050 

Tor配置:在torcc中,我有这个:

ControlPort 9051
HashedControlPassword : xxxx

解答

这是_可能_因为 PhantomJS 保留了请求内容的内存缓存。因此,您使用 PhantomJS 浏览器的第一次访问可能会产生动态结果,但该结果随后会被缓存,并且每次连续访问都会使用该缓存页面。

这个 memory cache 已经导致CSRF-Token在刷新时没有改变等问题,现在我相信这是你问题的根本原因。问题于 2013 年提出并解决,但解决方案是一种方法,clearMemoryCache,在 PhantomJS 的WebPage类中找到。遗憾的是,我们正在处理一个 Seleniumwebdriver.PhantomJS实例。

因此,除非我正在监督某些事情,否则很难通过 Selenium 的抽象来访问此方法。

我认为合适的唯一解决方案是使用另一个没有像 PhantomJS 那样的内存缓存的 webdriver。我已经使用 Chrome 对其进行了测试,并且效果很好:

103.***.**.***
72.***.***.***

另外,作为旁注,Selenium 正在逐步淘汰 PhantomJS:

UserWarning: Selenium support for PhantomJS has been deprecated, please use headless versions of Chrome or Firefox instead