• selnium は，web のテストフレームワーク．
• ブラウザを外部から叩きつつ，テスト仕様通りに動作しているかを確認できる．
• chrome の場合，webdriver が daemon として動作しつつ，ブラウザとは独立したプログラムである devtool を叩くことで chrome を動作させている模様．
  • 詳細は https://chromedriver.chromium.org/home ここら辺を読むときっといっぱい書いてあるに違いない．W3C でも標準化されてるっぽい．
• ブラウザを起動しているので，XmlHttpRequest(AJAX) などで動的に追加された要素など，HTMLのパースだけでは取得できないデータの取得が可能．ただし，グラフなどの canvas に描画されてしまったものは，多分取得できない．
• Xvfb と併用することで，サーバにおいてブラウザを立ち上げて，スクレイピングしたりスクリーンショットをとったりしやすい． 2018 年くらいには -headless モードが実装されており，Xvfb と併用しなくてサーバ内で動作が完結するようになっていた模様．

• firefox または Chrome を ports で入れておく．

• 特に特別なライブラリを入れずとも動作する．
• pip で selenium が入っているか確認する．もし入ってなかったら，

# pip list | grep selenium # 入っているか確認
# pip install selenium  # うまく動作した．
# portmaster -D www/py-selenium # うまく動作してなかったかもしれない．

• [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

• 本当は，rvm 環境とかを使う方が良いのだけど，FreeBSD での利用方法を良く知らないので，system wide に入れちゃう．
• devel/ruby-gems を ports で入れておく．
• 以下の gem を入れる．

% sudo gem install selenium-webdriver
% sudo gem install watir-webdriver

• 以下参照しながら，適当にサンプルを．
  • ruby bindings 専用記事： http://code.google.com/p/selenium/wiki/RubyBindings
  • API のちょっと詳細な使い方： http://seleniumhq.org/docs/03_webdriver.jsp#selenium-webdriver-api-commands-and-operations
  • 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

[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，

1. screenshot をとる
2. 名前をつけて保存
3. 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．

2 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．

[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．参考１参考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．

driver.execute_script(f"""
   const downloadImage = document.createElement('a');
   document.body.appendChild(downloadImage);
   downloadImage.setAttribute('download', 'image');
   downloadImage.href = '{img_src}';
   downloadImage.click();
""")

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，

% xdotool key Home
% xdotool type /home/skk/Downloads/
% xdotool key Return 

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．

xdotool = ["xdotool", "key", "Home"]
subprocess.run(xdotool)

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．

• 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
• [2025-02-22] https://www.zenrows.com/blog/selenium-cloudflare-bypass

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．

これを解決する為，通常の chromedriver に少し手を加えるツールが存在している．[2023-09-07] 時点で試したのは，undetected-chromedriver．

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
• 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．
• 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

FreeBSD で動作させる為には，下記参照．

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）

• 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．

• 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．

% export TMPDIR=/exp/tmp 

• [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．

• 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．

profile_dir = @model ? create_tmp_copy(@model) : Dir.mktmpdir("webdriver-profile")
 ↓
profile_dir = @model ? create_tmp_copy(@model) : Dir.mktmpdir("webdriver-profile", "/exp/tmp")

• 参照元： http://stackoverflow.com/questions/13638228/change-the-default-folder-where-temporary-profile-is-created-by-firefox

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．

# pip install seleniumbase 

/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．

__init__.py     cdp_driver      dprocess.py     patcher.py      webelement.py
__pycache__     cdp.py          options.py      reactor.py

patecher.py で以下．

15c16
< IS_POSIX = sys.platform.startswith(("darwin", "cygwin", "linux"))
---
> IS_POSIX = sys.platform.startswith(("darwin", "cygwin", "linux", "freebsd"))
30c31
<     if sys_plat.endswith("linux"):
---
>     if sys_plat.endswith("linux") or sys_plat.endswith("freebsd"):

/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．

47 def is_linux():
48     return "linux" in sys.platform or "freebsd" in sys.platform

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 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．

• Linux emulation で chromedriver を動かす
• FreeBSD のバイナリにパッチを当てられるようにする．

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．

• FreeBSD 側の設定を参照

# pip install undetected-chromedriver 

[2023-09-07] 時点での最新版は 3.5.3．

（もっときれいなやりかたをした方が良いと思う）

/usr/local/lib/python3.9/site-packages/undetected_chromedriver 以下に，下記のファイルが存在している．

__init__.py     devtool.py      options.py      reactor.py
cdp.py          dprocess.py     patcher.py      webelement.py

patcher.py が OS の分岐，ダウンロードバイナリの選定，パッチあて，などを行なっている．OS の分岐の部分で，Linux に振っているところに FreeBSD を入れる．また，unzip したあとに，executable にならないことがあった為，chmod コマンドで実行権をつけた．以下にパッチを示す．

< import subprocess
25c24
< IS_POSIX = sys.platform.startswith(("darwin", "cygwin", "linux", "linux2","freebsd"))
---
> IS_POSIX = sys.platform.startswith(("darwin", "cygwin", "linux", "linux2"))
37c36
<     elif platform.startswith(("linux", "linux2", "freebsd")):
---
>     elif platform.startswith(("linux", "linux2")):
112c111
<         if self.platform.endswith(("linux", "linux2")) or self.platform.startswith(("freebsd")):
---
>         if self.platform.endswith(("linux", "linux2")):
121d119
<         # self.platform_name = "linux64"
180,181c178
<         fname = self.unzip_package(self.fetch_package())
<         subprocess.run(["chmod", "+x", fname])
---
>         self.unzip_package(self.fetch_package())

dprocess.py が chromedriver プロセスを立ち上げている．ここの中で，start_detacher() という関数が使われているようで，multiprocessing.Process の前の行に，以下を追加．

os.environ['LD_LIBRARY_PATH'] = "/compat/ubuntu/usr/lib64"

Chrome() 呼出しの際に，API Document を見ると env を渡せると書いてあったが，うまく動作させられなかった．今後の TODO．

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．

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．

        try:
            if hasattr(options, "_session") and options._session is not None:
                #  prevent reuse of options,
                #  as it just appends arguments, not replace them
                #  you'll get conflicts starting chrome
                raise RuntimeError("you cannot reuse the ChromeOptions object")

• 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．

• 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．
  • ./firefox/extension/webdriver.xpi の中にある driver_component.js．
• 多分，firefox のメモリ管理の問題で，一定以上の大きさの画像を扱えないと思われる．
• workaround としては，以下のように javascript を実行して window の高さを事前に取得し，一定以上なら，js 経由ではなく import コマンド経由で取得する．

window_height = @browser.driver.execute_script("return document.body.clientHeight;")
if (window_height < 15000) # within 15000px, capture whole page. otherwise, capture only the displayed window
 @browser.screenshot.save("file.png")
else 
 # hoge 
end

• [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．

• 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: 3 / 昨日: 4 総計: 880