Selenium 的使用

Selenium 的使用

　　在前面了解到，有些页面是直接由HTML代码组成的，有些网站则是通过Ajax技术局部刷新而渲染出新的局部，对于后者，我们可以通过分析Ajax请求返回的结果从中提取我们需要的数据，但是该方法并不适用于所有网站，因为有些网站的Ajax接口含有很多加密参数，我们无法直接找到规律；有些网站是直接用JavaScript计算后生成的，面对这样的问题，我们无法再通过分析Ajax去抓取数据了。为了解决这些问题，我们可以直接使用模拟浏览器运行的方式来实现，这样就可以做到在浏览器中看到什么，抓取的源码就是什么，也就是可见即可爬。Python提供了很多模拟浏览器运行的库，如 Selenium 、Splash、 PyV8、Ghost等，下面就来详细介绍 Selenium。

　　Selenium 是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，比如点击、下拉等，同时还可以获取浏览器当前呈现的页面的源代码，这就实现了可见即可爬了。废话不多说，下面来看 Selenium 的简单使用：

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait


browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
    input = browser.find_element_by_id('kw')
    input.send_keys('python')
    input.send_keys(Keys.ENTER)
    wait = WebDriverWait(browser,10)
    wait.until(EC.presence_of_element_located((By.ID,'content_left')))
    print(browser.current_url)
    print(browser.get_cookies())
    print(browser.page_source)
finally:
    browser.close()

运行上面的脚本后会发现自动弹出Chrome浏览器，浏览器首先自动跳转到百度，然后在搜素框中输入python，接着按下回车键进行搜索。最终控制台会输出当前的URL，Cookies和网页源码。除了Chrome浏览器以外，Selenium还支持很多浏览器，具体的使用基本一致，唯独在创建浏览器实例时有所区别：

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()

（注：在使用PhantomJS时会有这么提示就是selenium会逐渐不支持PhantomJS）

这样就完成了浏览器对象的初始化，接下来要做的就是调用browser对象的属性和方法操作浏览器了。下面就来详细介绍常用的操作：

1. 访问页面

　　细心的你可能在前面的实例中也发现如何操作browser对象让其访问浏览器，就是直接调用get()方法，参数传入URL，比如这里访问京东：

from selenium import webdriver


browser = webdriver.Chrome()
browser.get('https://3.cn')
print(browser.page_source)
browser.close()

运行后发现，弹出了Chrome浏览器访问了京东（3.cn是京东的一个域名），然后控制台直接输出了京东的页面源代码，随后关闭浏览器。

 

2. 查找节点

　　Selenium 可以驱动浏览器完成各种操作，比如填充表单、模拟点击等。比如需要向某个输入框输入文字的操作，这时候就需要知道这个输入框在哪里吧，而 Selenium 提供了一系列查找节点的方法。

比如：想要从淘宝页面中提取搜索框节点。

from selenium import webdriver


browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element_by_id('q')
input_second = browser.find_element_by_css_selector('#q')
input_third = browser.find_element_by_xpath('//*[@id="q"]')
print(input_first,input_second,input_third)
browser.close()

这里列出所有获取单个节点的方法：

find_element_by_id()
find_element_by_name()
find_element_by_xpath()
find_element_by_class_name()
find_element_by_css_selector()
find_element_by_tag_name()
find_element(查找方式,value)
例如：find_element(By.ID,value)

以上方法只能获取到一个节点，如果需要获取多个，则需要使用下面的方法：

find_elements_by_xpath()
find_elements_by_tag_name()
find_elements_by_class_name()
find_elements_by_css_selector()
find_elements()

 

3. 节点交互

　　Selenium 可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的有：输入文字使用 send_key()方法，清空文字使用 clear()方法，点击按钮使用 click()方法。示例如下：

from selenium import webdriver
import time


browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')
input.send_keys('ipad')
time.sleep(1)
input.clear()
input.send_keys('iPhone')
button = browser.find_element_by_class_name('btn-search')
button.click()
browser.close()

首先驱动浏览器打开淘宝，用find_element_by_id()方法获取输入框，然后用send_keys()方法输入ipad，等待一秒后将输入框清空，再次调用send_keys()方法输入iPhone，完了获取搜索按钮最后调用click()方法完成搜索动作。

 

4. 动作链

　　在上面示例中，一些交互动作都是针对某个节点执行的，比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法等等。其实，还有另外一些操作，他们没有特定的执行对象，不如鼠标拖拽，键盘按键等等，这些动作用另外一种方式来执行，这就是动作链。

示例：实现一个节点的拖拽操作，将某个节点从一处拖拽到另外一处。

from selenium import webdriver
from selenium.webdriver import ActionChains


browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css_selector('#draggable')
target = browser.find_element_by_css_selector('#droppable')
actions = ActionChains(browser)
actions.drag_and_drop(source,target)
actions.perform()

首先，打开网页中的一个拖拽实例，然后依次选中要拖拽的节点和拖拽到的目标节点，接着声明ActionChains对象并将其赋值为actions，然后通过actions调用drag_and_drop()方法，再调用perform()方法执行动作，此时就完成了拖拽操作了。

当然，Selenium 的API并没有提供所有的方法，比如下拉进度条等，对于这些方法，我们可以自己定义，通过浏览器对象的execute(js字符串)方法来进行操作。

 

5. 获取节点信息

　　在最开始的实例中，通过page_source属性可以获取网页的源代码，接着就可以使用解析库来提取信息了。但是，既然Selenium已经提供了选择节点的方法（返回的是WebElement类型），那么它也有相关的方法和属性来直接提取节点信息，如文本、属性等等。这样的话我们就不用通过解析源码来提取信息了。

 

5.1 获取属性

通过get_attribute()方法可以获取节点的属性，但前提是先选中这个节点：

from selenium import webdriver


browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
logo = browser.find_element_by_id('zh-top-link-logo')
print(logo)
print(logo.get_attribute('class'))
browser.close()

通过get_attribute()方法，然后传入想要的属性名，就可以拿到它的值了。

 

5.2 获取文本

每个WebElement节点都有text属性，直接调用这个属性就可以得到节点内部的文本信息了，这相当于Beautiful Soup 的get_text()方法，pyquery的text()方法。

from selenium import webdriver


browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.text)
browser.close()

这里打开了知乎页面，然后获取了‘提问’按钮这个节点，然后将节点的文本内容输出。

 

5.3 获取id、位置、标签名和大小

除了上面提到的，WebElement还有其他属性，比如id属性可以获取节点的id，location属性可以获取该节点在页面中的相对位置，tag_name属性可以获取标签名称，size属性可以获取节点的大小，也就是宽高。

from selenium import webdriver


browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.id)
print(input.location)
print(input.tag_name)
print(input.size)
browser.close()

 

6. 切换 Frame

　　了解过HTML的可能会知道网页中有一种节点叫iframe，也就是字Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。Selenium打开页面后，它默认是在父级Frame里面操作，而此时如果页面中还有子Frame，它是不能获取到子Frame里面的节点的，这时就需要使用switch_to.frame()方法来切换Frame。

from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException


browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')
try:
    logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    print('NO LOGO')
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)
browser.close()

首先通过switch_to.frame()方法切换到子Frame里面，然后尝试获取父级Frame里面的logo节点（结果就是找不到的），如果找不到，就会抛出NoSuchElementException异常，异常捕获以后就输出NO LOGO。接着，重新切换到父级Frame，然后再次获取节点，发现此时就可以成功捕获了。所以，当页面中包含Frame时，如果想获取子Frame中的节点，需要先调用switch_to.frame()方法切换到对应的Frame，然后再进行操作。

 

7. 延时等待

　　在Selenium中，get()方法会在网页框架加载结束后结束执行，此时如果获取page_source，可能并不是浏览器完全加载完成的页面，如果某些页面额外的Ajax请求，我们在网页源代码中也不一定能成功获取到，所以，这里需要延时等待一定时间，确保节点已经加载出来。这里的等待有两种方式，分别是隐式等待和显式等待。

　　当使用隐式等待执行测试的时候，如果Selenium没有在DOM中找到节点，将继续等待，超出设定时间后，则抛出找不到节点异常。换句话说，当查找节点而节点并没有立即出现的时候，隐式等待将等待一段时间再查找DOM，默认的时间是0，示例如下：

from selenium import webdriver


browser = webdriver.Chrome()
browser.implicitly_wait(10)
browser.get('https://www.zhihu.com/explore')
input = browser.find_element_by_class_name('zu-top-add-question')
print(input)

这里使用 implicitly_wait()方法实现了隐式等待。

　　隐式等待的效果其实并没有那么好，因为我们只规定了一个固定的时间，而页面的加载时间会受到网络条件的影响。更合适的方法应该是显示等待，它指定要查找的节点，然后指定一个最长等待时间，如果在规定时间内加载出来了这个节点，就返回查找节点；如果到了规定时间依然没有加载出该节点，则抛出超时异常。

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC


browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
wait = WebDriverWait(browser,10)
input = wait.until(EC.presence_of_element_located((By.ID,'q')))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'.btn-search')))
print(input,button)

首先引入了WebDriverWait这个对象，指定最长等待时间，然后调用它的until()方法，传入要等待条件expected_conditions，比如，这里传入了presence_of_element_located这个条件，代表节点出现的意思，其参数是节点的定位元组，也就是ID为q的节点搜索框。这样可以做到的效果是，在10秒内如果ID为q的节点成功加载出来，就返回该节点；如果超过10秒还没有加载出来，就抛出异常。对于按钮，可以更改一下等待条件，比如改为element_to_be_clickable，也就是可点击，所以查找按钮时查找CSS选择器为.btn-search的按钮，如果10秒内它是可点击的，也就是成功加载出来了，就返回这个节点，如果超过10秒还是不可点击的，也就是没有加载出来，那么就抛出异常。关于等待条件，其实还有很多，比如判断标题内容等等，以下列出了一部分等待条件：

 

8. 前进和后退

 　　我们平时使用的浏览器都有前进和后退的功能，Selenium 也可以完成这个操作，它使用 back() 方法后退，使用 forward() 方法前进。示例如下：

import time
from selenium import webdriver


browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.get('https://www.python.org')
browser.back()
time.sleep(1)
browser.forward()
browser.close()

 

9. Cookies

　　使用Selenium还可以更方便的操作Cookies，例如获取，添加，删除等，示例如下：

from selenium import webdriver


browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name':'jonas','domain':'www.zhihu.com','value':'germey'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

首先，我们访问了知乎，加载完成后，浏览器实际上已经生成了Cookies了，接着，调用get_cookies()方法获取所有Cookies。然后，通过add_cookie()方法添加一个Cookies，这里传入字典即可。接下来，再次获取所有的Cookies，此时可以发现我们刚刚添加的就在最后面。最后调用delete_all_cookies()方法删除所有Cookies，再获取时发现结果就为空了。

 

10. 异常处理

在使用 Selenium 的过程中，难免会遇到一些异常，例如超时、节点没有找到等错误，一旦出现此类错误，程序便不会继续运行了，下面主要介绍比较常见的异常：

from selenium import webdriver
from selenium.common.exceptions import TimeoutException,NoSuchElementException


browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
except TimeoutException:
    print('Time Out')
try:
    browser.find_element_by_id('hello')
except NoSuchElementException:
    print('No Element')
finally:
    browser.close()

也许你从异常的名称也可以知道TimeoutException是超时异常，NoSuchElementException是找不到节点的异常。