R成精系列Macos用R+Docker部署Rselenium搭建爬虫系统

最近在用R做爬虫的时候遇到了部分网页无法爬取。于是转投Selenium的怀抱。本文就简要介绍利用mac 下的docker搭建Selenium环境，实现爬虫应用。
先简单介绍用的工具：

• Selenium也是一个用于Web应用程序测试的工具，Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。本文将采用Selenium Grid，它用于分布式自动化测试，就是一套Selenium 代码可在不同的环境上运行。Selenium Grid 有两个概念
  • hub ：主节点，接受测试任务，并进行分配，只有一个主hub节点。
  • node：分支节点，不同的节点分支，接受hub任务，并进行测试，可以有多个。
• RSelenium通过调用Selenium Sever来模拟浏览器环境，实现爬虫任务。
• Docker一般叫docker容器，一个可爱的鲸鱼，上面坨着集装箱，可以比喻为电脑集群。先来搞清楚它里面的几个概念。
  • Docker镜像，运行Docker容器的一个环境,打个比方镜像就像已经配置好的程序包或者源代码的光盘，用于将程勋安装在电脑上。
  • Docker容器，简单的说，容器是独立运行的一个或一组应用，以及它们的运行态环境。 如果把镜像看成面向对象中的 “类” 的话，那么容器就是“类”的实例化“ 对象”，打个比方：容器就像是已经安装好镜像的一台台电脑，但是容器一关闭后这台电脑就消失了。
  • Docker仓库，存放Docker镜像的仓库，作用和GitHub类似，Docker仓库就相当于光盘盒子。
    通过docker可以快速搭建各种环境。刚好可用于本次爬虫任务的hub+node环境的搭建，另外说句题外话docker技术细节你可以不懂，但是你需要知道怎么使用。
• R 嗯~~~不用介绍了吧。
• Mac OS……
  接下来进入到实操环节：
  ##下载Docker安装Docker

1. Mac 下载安装Docker desktop版本还是比较简单，到Dorker mac下载地址注册一个账号，下载docker dmg直接安装即可，这也是最简单的方法。
2. 安装成功后，打开docker。

看到docker就在运行了。接下来打开终端工具进行操作会比较方便。

##搭建Selenium环境
搭建Selenium环境主要分为三个步骤：
1 .启动docker
打开docker程序后，进入终端输入docker version即可查看docker版本，说明docker已经运行。网上有许多docker相关的教程，这里就不再赘述。

4. 拉取Selenium镜像,我们这里拉取两个镜像1个Selenium hub镜像，1个Selenium chrome-node。Selenium镜像有许多，更多的请参考Selenium镜像列表。

docker pull selenium/hub
docker pull selenium/node-chrome

经过一段时间的下载，镜像就下载成功了，下载成功后就可以基于镜像启动容器。
5. 基于Selenium镜像，启动Selenium容器,启动一个selenium hub，一个chrome-node。

#单主机
docker run -d -p 4444:4444 --name selenium-hub selenium/hub
docker run -d --link selenium-hub:hub -v /dev/shm:/dev/shm selenium/node-chrome

启动一个hub，docker启动命令如下：docker run -d -p 4444:4444 --name selenium-hub selenium/hub.

做一些简单的说明：

• run：通过镜像启动一个容器
• -p:端口映射，5555是容器宿主机的端口就是我们docker这个轮船的端口，4444是我们容器的端口就是我们集装箱的端口。这说明了我们把容器的4444端口开放给docker主机的5555端口，那么我们就可以通过docker主机的5555端口来访问容器了，有点啰嗦~~~
• -d:docker后台运行这个容器，我们知道运行server-standalone-2.52.0.jar这个包实际上是启动一个socket程序的，是在一个while循环中的。如果不启用后台运行的话，在xshell当前窗口是不能进行其他的操作的，当然你要再开一个窗口连接docker也可以。
• --name:指定容器运行的别名，如果不指定会随机生成一个。
• selenium/hub：就是我们要运行的镜像文件。

启动完hub后，我们启动一个node,启动node命令如下：
docker run -P -d --link selenium_hub:hub selenium/node-chrome做一些简单的说明：

• run：和上文相同

• -P：随机生成映射端口号，上文中的-p是指定特定的端口号，这里面是node我们并不需要知道容器内部的端口号，当然你要指定也可以，端口号不要冲突即可。

• -d：后台运行与上文相同。

• --link：说明我们这个容器是依赖上文中我们生成的容器selenium_hub，后面我们会提到link的使用。

• selenium_hub:hub：前面的selenium_hub是我们上文中通过selenium/hub镜像启动容器的别名；后面的hub一定要写成hub或者HUB，写成其他启动失败，为什么这样我们后面会和- -link一起说明。

• selenium/node-chrome：node的镜像。

启动了selenium/hub与selenium/node后，我们运行docker ps - a有如下信息:

这是selenium就启动了。
浏览器输入localhost:4444.可以查看Selenium Grid Hub的版本，也表示其运行正常。

##启动R安装Rselenium包

install.packages("RSelenium")

##爬取页面

library(RSelenium)
remDr<-remoteDriver(port=4444L, browserName = "chrome")
remDr$open(silent = TRUE)#打开浏览器
[1] "Connecting to remote server"
$acceptInsecureCerts
[1] FALSE
$acceptSslCerts
[1] FALSE
$applicationCacheEnabled
[1] FALSE
$browserConnectionEnabled
[1] FALSE
$browserName
[1] "chrome"
$chrome
$chrome$chromedriverVersion
[1] "2.44.609551 (5d576e9a44fe4c5b6a07e568f1ebc753f1214634)"
$chrome$userDataDir
[1] "/tmp/.org.chromium.Chromium.YhY2Yo"
$cssSelectorsEnabled
[1] TRUE
$databaseEnabled
[1] FALSE
$`goog:chromeOptions`
$`goog:chromeOptions`$debuggerAddress
[1] "localhost:35767"
$handlesAlerts
[1] TRUE
$hasTouchScreen
[1] FALSE
$JavascriptEnabled
[1] TRUE
$locationContextEnabled
[1] TRUE
$mobileEmulationEnabled
[1] FALSE
$nativeEvents
[1] TRUE
$networkConnectionEnabled
[1] FALSE
$pageLoadStrategy
[1] "normal"
$platform
[1] "Linux"
$rotatable
[1] FALSE
$setWindowRect
[1] TRUE
$takesHeapSnapshot
[1] TRUE
$takesScreenshot
[1] TRUE
$unexpectedAlertBehaviour
[1] "ignore"
$version
[1] "70.0.3538.110"
$webStorageEnabled
[1] TRUE
$webdriver.remote.sessionid
[1] "d823c1c5d795381ab346daa2a32c7e87"
$id
[1] "d823c1c5d795381ab346daa2a32c7e87"
remDr$navigate("https://www.baidu.com")#爬取百度
remDr$getTitle()#获取title
remDr$screenshot(display = TRUE)#截图

##结尾

用完后关闭、清除容器、关闭docker。

#清除(关闭全部容器) ：
docker kill $(docker ps -a -q)　　
docker stop $(docker ps -a -q)
#删除全部容器：
docker rm $(docker ps -a -q)

##参考
RSelenium Docker安装参考文档
Docker官方网站

sessionInfo()
R version 3.5.1 (2018-07-02)
Platform: x86_64-apple-darwin15.6.0 (64-bit)
Running under: macOS  10.14.1

Matrix products: default
BLAS: /System/Library/Frameworks/Accelerate.framework/Versions/A/Frameworks/vecLib.framework/Versions/A/libBLAS.dylib
LAPACK: /Library/Frameworks/R.framework/Versions/3.5/Resources/lib/libRlapack.dylib

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

attached base packages:
[1] stats     graphics  grDevices utils     datasets 
[6] methods   base     

other attached packages:
[1] RSelenium_1.7.4

loaded via a namespace (and not attached):
 [1] httr_1.3.1       compiler_3.5.1   R6_2.3.0        
 [4] assertthat_0.2.0 tools_3.5.1      wdman_0.2.4     
 [7] binman_0.1.1     curl_3.2         yaml_2.2.0      
[10] Rcpp_1.0.0       jsonlite_1.5     caTools_1.17.1.1
[13] openssl_1.0.2    bitops_1.0-6     semver_0.2.0    
[16] XML_3.98-1.16