差分

このページの2つのバージョン間の差分を表示します。

--- selenium-webdriver [2023/09/07 21:09] – skk
+++ selenium-webdriver [2025/02/22 16:07] (現在) – skk
@@ 行 1: / 行 1: @@
-= [[selenium-webdriver]]
+= [[selenium-webdriver]] LM: [2025-02-22 16:05:39]
+~~NOCACHE~~
 ----
@@ 行 23: / 行 25: @@
 </code>
+  * [2024-06-27] chrome 126 を headless で動かそうとしたが上手く動作せず．もしかしたら，下記 URL のように，FreeBSD だと上手く動かないのかもしれない．X forward/デスクトップ環境以外で，headless のように動かしたいならば，Xvfb の方が安定すると思われる．
+      * https://bugs.freebsd.org/bugzilla/show_bug.cgi?id=278413
 ===== - ruby binding 環境での構築  [2014年頃] =====
@@ 行 37: / 行 41: @@
     * 本ページと似たような説明文章（日本語）： http://yakinikunotare.boo.jp/orebase2/ruby/web_browser_control
-===== tips  =====
+===== - tips  =====
-==== selenium (bot) 検知への対応について ====
+==== - 画像保存の方法 ====
+[2025-01-13]
+selenium を使って，Web 上の画像を保存する方法は，大きく分けて，
+  - screenshot をとる
+  - 名前をつけて保存
+  - 画像の URL を取得し，request.get() する
+の３つな気がする．1 番目は表示さえされてれば確実に画像が保存できるのだが，画像が縮小されていると画質が落ちてしまうし，取得した画像を jpeg や webp に変換していると結構な CPU リソースを食ってしまう．
+番目の名前をつけて保存は，もし画像の URL とスクレイピング先のホストが同じ場合，キャッシュから保存されるので，１度の URL アクセスで画像が保存できるのでもっとも効率的になるが，違う場合，クロスサイト対策（？）の関係で，もう一度 URL アクセスが発生してしまう．
+そのため，2 番目と 3 番目はアクセスという面で考えると同じになってしまう．
+状況に応じて，適した方法を選ぶ必要がある．
+==== - 名前をつけて保存 ====
+[2025-01-13]
+ブラウザ上の画像を右クリックし，名前をつけて保存，と押すと，保存ダイアログが出てきて，保存先を選び，画像を保存することになる．
+この時出てくる保存ダイアログは，ブラウザの一部ではなく，OS（Windows）の管理下にあるので，selenium からコントロールすることができない．
+よって，名前をつけて保存の処理を自動で行ないたい場合は，selenium とは別の枠組で考える必要がある．
+FreeBSD/Linux などの XWindow な環境の場合，xdotool を利用すると，簡単に XWindow 上での操作が行なえるので，selenium と組み合わせると便利かもしれない．他にも pyautogui などがあるようだが，僕の FreeBSD 環境では上手く動かせなかった．[[http://takeno.iee.niit.ac.jp/~shige/FreeBSD/fbsd-omemo.html#o-20220127|参考１]][[https://stackoverflow.com/questions/58432057/how-do-i-click-enter-when-a-save-as-window-is-open-with-selenium|参考２]]
+僕の場合，ウィンドウマネージャを指定せずに，Xvfb に対して seleinum で操作している chromium を表示している状態である．
+次に，selenium において，次のように javascript を利用してブラウザ上での右クリックを行なわせる．
+<code python>
+driver.execute_script(f"""
+   const downloadImage = document.createElement('a');
+   document.body.appendChild(downloadImage);
+   downloadImage.setAttribute('download', 'image');
+   downloadImage.href = '{img_src}';
+   downloadImage.click();
+""")
+</code>
+実行すると，Xvfb 上では名前をつけて保存ダイアログにフォーカスがあたった状態で出てくる．
+あとは，保存先ディレクトリを指定し，保存ボタンを押す．xdotool ならば，
+<code bash>
+% xdotool key Home
+% xdotool type /home/skk/Downloads/
+% xdotool key Return
+</code>
+となる．もしコマンドライン上で実際に動かす場合は，DISPLAY 環境変数も指定しなければならない．
+これらのコマンドを python 上でコマンド呼出せばよい．例えば，以下のような形．
+<code python>
+xdotool = ["xdotool", "key", "Home"]
+subprocess.run(xdotool)
+</code>
+==== - selenium (bot) 検知への対応について ====
 特定のサイトでは，selenium でのアクセスを禁止している．UA などのアクセス情報から selenium で動作していることを検知している．
-=== selenium detection の解説サイト ===
+=== - selenium detection の解説サイト ===
- * https://stackoverflow.com/questions/67551031/how-to-pass-desired-capabilities-to-undetected-chromedriver-with-selenium-python
+  * https://stackoverflow.com/questions/67551031/how-to-pass-desired-capabilities-to-undetected-chromedriver-with-selenium-python
- * https://stackoverflow.com/questions/72406597/how-to-avoid-bot-detection-on-websites-using-selenium-python
+  * https://stackoverflow.com/questions/72406597/how-to-avoid-bot-detection-on-websites-using-selenium-python
+  * [2025-02-22] https://www.zenrows.com/blog/selenium-cloudflare-bypass
-=== undetected chromedriver [2023-09-07] ===
+=== - undetected chromedriver [2023-09-07] ===
 selenium であることの検知は，主に chromedriver (webdriver) と chrome の通信の中に痕跡が残り，アクセス時にその痕跡がサーバ側に通知されてしまうことで発生する模様．
@@ 行 51: / 行 115: @@
 undetected-chromedriver は内部的に，以下のような動作になっている．
- * chrome のバージョンが指定されてなかったら，chrome のバージョンを取得する
+  * chrome のバージョンが指定されてなかったら，chrome のバージョンを取得する
- * そのバージョンと同じ chromedriver をダウンロードしてくる．Windows, Mac, Linux のバイナリに対応している．
+  * そのバージョンと同じ chromedriver をダウンロードしてくる．Windows, Mac, Linux のバイナリに対応している．
- * chromedriver そのものにパッチをあてる．
+  * chromedriver そのものにパッチをあてる．
- * python で webdriver.Chrome() として chromedriver->chrome と呼び出すところを，undetected_chromedriver.Chrome() でラップし，UA 書き換えなどを行なった状態で，chromedriver->chrome と呼び出すようにする
+  * python で webdriver.Chrome() として chromedriver->chrome と呼び出すところを，undetected_chromedriver.Chrome() でラップし，UA 書き換えなどを行なった状態で，chromedriver->chrome と呼び出すようにする
-=== UA について ===
+FreeBSD で動作させる為には，[[https://www.sakaki.works/doku/doku.php?id=selenium-webdriver#undetected-chromedriver_%E3%81%AE%E5%8B%95%E4%BD%9C%E8%A8%AD%E5%AE%9A_2023-09-07|下記]]参照．
+=== - seleniumbase [2025-02-22] ===
+undetected_chromedriver は，2025/02 現在，あまりメンテされておらず，Cloudflare などの anti-bot システムで検知されがちなツールになってきている模様．
+ZenRow というクラウドサービスを使っても anti-bot の回避はできるようだが月額がまーまー高い．広告記事だと思うけど，この ZenRow の特集記事が良くできているので参考に読むと良い．
+今は，SeleniumBase というツールまたは，nodriver というツールが最近ではアクティブな模様．nodriver は undetected_chromedriver の作者が作っている後継だけど，selenium の書きにくいところと決別したいらしく，結構独自の書き方にしないといけなくて，既存のコードがある場合には導入しにくい．SeleniumBase は undetected_chromedriver を fork して独自進化させてるっぽいので，undetected_chromedriver からの乗り換えにはとても便利．
+また，multiprocessing 環境への対応を頑張った形跡が見られるのも嬉しい．undetected_chromedriver は，複数のプロセスを動かそうとすると，Text Busy と言われることがちょいちょいあった．これは，ChromeDriver を利用するたびに chromedriver をダウンロードしてきてパッチを当ててたので，複数プロセスで動かそうとすると，時々競合のような状態になっていたと想像している．
+SeleniumBase は，初回起動時に uc_driver という，パッチを当てまくった chromedriver を作成して，以降は必要がなければずっとそれを使い続けるので，複数のプロセスから ChromeDriver(=uc_driver) を利用しても問題が起きない．
+さらに，undetected_chromedriver を FreeBSD で無理矢理動かしていた時は，zombie プロセスが大量に作成されてしまったので，定期的にプログラムを再起動してゾンビを殺していたが，終了処理などがきれいになっているのか，SeleniumBase だと zombie が発生しなかった．
+ということで，今から利用する場合は，SeleniumBase の方が全然良い．（nodriver ももしかしたら良いのかもしれないけど，試してはいない）
+=== - UA について ===
   * headless モードで動作させると，UA に headless であることが記載されてしまう．
   * 不都合が生じる場合は，chrome の起動オプションで UA の変更ができるので，headless ではない記載をすると良い．UA のリストはググルといっぱい出てくる．
@@ 行 63: / 行 143: @@
-==== /tmp に作成される cache の場所を変更したい．[2022-08-17] [2014年頃]  ====
+==== - /tmp に作成される cache の場所を変更したい．[2022-08-17] [2014年頃]  ====
-=== chrome 一般 [2022-08-17] ===
+=== - chrome 一般 [2022-08-17] ===
   * chrome が screenshot をとる際，デフォルトでは /tmp を利用する．
   * 環境変数 TMPDIR を指定すれば screenshot の一時保存先の変更が可能．
@@ 行 75: / 行 155: @@
   * [2022-08-17] headless 環境では，--disable-gpu をつけることで，動作が安定した．もしかしたら，--no-sandbox，--disable-dev-shm-usage も効いているかもしれないが，詳細は実験していない．
-=== ruby の場合 [2014 年頃] ===
+=== - ruby の場合 [2014 年頃] ===
   * webdriver が利用する cache が Dir.mktmpdir で作成されるため，/tmp に必ず作成される．大量のページをスクレイプする場合には，/tmp を使いきってしまう可能性がある．
   * /usr/local/lib/ruby/gems/1.8/gems/selenium-webdriver-2.27.2/lib/selenium/webdriver/firefox/profile.rb の Dir.mktmpdir を以下のように書き換えて，とりあえずしのぐ．
@@ 行 88: / 行 168: @@
-====== freebsd における tips  ======
+====== - freebsd における tips  ======
-===== undetected-chromedriver の動作設定 [2023-09-07] =====
+===== - SeleniumBase の動作設定 [2025-02-22] =====
+SeleniumBase もソースコードないでは Linux への分岐しか対応してない．ただ，undetected_chromedriver は Linux バイナリをダウンロードしてきていたので，Linux Emulation しなければならなかったが，SeleniumBase は chromedriver に対してなんらかの方法でパッチを当てているので，FreeBSD でインストールできる Chromium に附属している chromedriver をベースにして動作する．つまり，linux emulation しなくても大丈夫．
+==== - python ライブラリの準備 ====
+<code bash>
+# pip install seleniumbase
+</code>
+==== - python ライブラリの FreeBSD 対応 ====
+/usr/local/lib/python3.11/site-packages/seleniumbase/undetected  以下に，下記のファイルが存在している．
+<code>
+__init__.py     cdp_driver      dprocess.py     patcher.py      webelement.py
+__pycache__     cdp.py          options.py      reactor.py
+</code>
+patecher.py で以下．
+<code python>
+c16
+< IS_POSIX = sys.platform.startswith(("darwin", "cygwin", "linux"))
+---
+> IS_POSIX = sys.platform.startswith(("darwin", "cygwin", "linux", "freebsd"))
+c31
+<     if sys_plat.endswith("linux"):
+---
+>     if sys_plat.endswith("linux") or sys_plat.endswith("freebsd"):
+</code>
+/usr/local/lib/python3.11/site-packages/seleniumbase/fixtures/shared_utils.py というファイルでも OS 分岐を行なっていたので，ここでも Linux と同じ動作にしてしまう．
+<code python>
+def is_linux():
+     return "linux" in sys.platform or "freebsd" in sys.platform
+</code>
+これで少なくとも，僕の環境では SeleniumBase が FreeBSD で動作している．
+===== - undetected-chromedriver の動作設定 [2023-09-07] =====
 undetected-chromedriver がダウンロードできるバイナリは上述の通りで，FreeBSD で動作させる為には，以下のどちらかの対応かと考えた．
@@ 行 97: / 行 215: @@
 [[https://www.slideshare.net/hirofumitouhei/selenium-webdriverfreebsd-102google-chrome|こちら]]を見ると，chromedriver のみ linux emulation で動かし，chrome を FreeBSD バイナリというのは成功している模様だったので，1 を試したところ成功したので，FreeBSD バイナリへのパッチあては試していない．
-==== linux emulation 設定 ====
+==== - linux emulation 設定 ====
   *  [[https://www.sakaki.works/doku/doku.php?id=freebsd#linux_emulation_2023-09-07|FreeBSD 側の設定を参照]]
-==== python ライブラリの準備 ====
+==== - python ライブラリの準備 ====
-<code>
+<code bash>
 # pip install undetected-chromedriver
 </code>
@@ 行 107: / 行 225: @@
 [2023-09-07] 時点での最新版は 3.5.3．
-==== python ライブラリの FreeBSD 対応 ====
+==== - python ライブラリの FreeBSD 対応 ====
 （もっときれいなやりかたをした方が良いと思う）
@@ 行 151: / 行 269: @@
-==== headless への対応 ====
+==== - headless への対応 ====
 undetected_chromedriver の場合，headless での動作がうまくいかない気がする．調べ切れていないが，headless で動作させると，bot detection に引っかかる可能性が高くなるっぽい．
 安定動作の為には，Xvfb を利用して，Window を立ち上げてしまう方が無難．
-==== undetected_driver.Chrome() の使い方の注意 ====
+==== - undetected_driver.Chrome() の使い方の注意 ====
 スクリプトを書いている中で，エラーが頻発した際などへの対応として，Chrome の再起動を行なう場合がある．
-その時，Chrome に渡すオプションを扱う為の Opiotns() というクラスがあるが，これを再利用してはいけない模様．__init__.py の中に，以下のような記載があった．
+その時，Chrome に渡すオプションを扱う為の Opiotns() というクラスがあるが，これを再利用してはいけない模様．%%__init__.py%% の中に，以下のような記載があった．
 <code python>
@@ 行 171: / 行 289: @@
-===== firefox? chrome? [2022-08-17] =====
+===== - firefox? chrome? [2022-08-17] =====
   * 2022 年 8 月時点では、ports において Firefox 向けの webdriver の更新が止まっているので、動作しない。
   * Chrome は、chromium のソースコード内に webdriver が存在しているので、バージョンミスマッチを気にせず利用可能．
-===== firefox のバグ？  [2022-08-17] [2014年頃] =====
+===== - firefox のバグ？  [2022-08-17] [2014年頃] =====
   * 一定以上の高さ(20000pxとか)のあるページをキャプチャしようとすると，save_screenshot が JS 部分で落ちる．
   * 実装的には，firefox の js エンジンで，ページを canvas に書き出し，PNG として保存している．
@@ 行 183: / 行 301: @@
 <code>
 window_height = @browser.driver.execute_script("return document.body.clientHeight;")
-if (window_height < 15000) # within 15000px, capture whole page. otherwise, capture on\
+if (window_height < 15000) # within 15000px, capture whole page. otherwise, capture only the displayed window
-</code>
-ly the displayed window
-<code>
  @browser.screenshot.save("file.png")
 else
@@ 行 194: / 行 309: @@
   * [2022-08-17] 2022 年時点の chrome では，高さを 2 万 px などにしても問題はなかった．マシンは 2014 年時点と同じマシンなので，スペックの問題ではないと思われる．
+  * [2023-09-07] window.scrollTo() などをうまく利用して，数万 px の高さの Window は作らない方が無難と思われる．どこにバグが潜んでいるか怪しい．
-===== patch [2014年頃] =====
+===== - patch [2014年頃] =====
   * 起動のタイミングの関係で、ネットワークコネクションが立ち上がるまで sleep を入れる必要があるみたい。（かな？）
   * https://github.com/rdeguzman/selenium-webdriver/blob/master/lib/selenium/webdriver/common/socket_poller.rb
+----
+このページへのアクセス
+今日: {{counter|today}} / 昨日: {{counter|yesterday}}
+総計: {{counter|total}}

selenium-webdriver.1694088596.txt.gz · 最終更新: 2023/09/07 21:09 by skk

文書の先頭へ