爬虫之selenium模块

一介绍

selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题

selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器

from selenium import webdriver
browser=webdriver.Chrome()
browser=webdriver.Firefox()
browser=webdriver.PhantomJS()
browser=webdriver.Safari()
browser=webdriver.Edge()

二安装

#安装：selenium+chromedriver
windows 安装
pip3 install selenium
下载chromdriver.exe放到python安装路径的scripts目录中即可，注意最新版本是2.29，并非2.9
下载链接：http://npm.taobao.org/mirrors/chromedriver/2.29/

Mac 安装
python3.5 -m pip install selenium
下载 chromedriver 64 位 mac版
cp chromedriver /usr/local/bin/


#验证安装
C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from selenium import webdriver
>>> driver=webdriver.Chrome() #弹出浏览器
>>> driver.get('https://www.baidu.com')
>>> driver.page_source
>>> driver.close()

#注意：
selenium3默认支持的webdriver是Firfox，而Firefox需要安装geckodriver
下载链接：https://github.com/mozilla/geckodriver/releases

selenium+chromedriver

#安装：selenium+phantomjs
windows安装
pip3 install selenium
下载phantomjs，解压后把phantomjs.exe所在的bin目录放到环境变量
下载链接：http://phantomjs.org/download.html

Mac安装
python3.5 -m pip install selenium
cp Phantomjs /usr/local/bin/
Phantomjs下载地址
http://phantomjs.org/download.html


#验证安装
C:\Users\Administrator>phantomjs
phantomjs> console.log('egon gaga')
egon gaga
undefined
phantomjs> ^C
C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from selenium import webdriver
>>> driver=webdriver.PhantomJS() #无界面浏览器
>>> driver.get('https://www.baidu.com')
>>> driver.page_source
>>> driver.close()

selenium+phantomjs

三基本使用

from selenium import webdriver  # 浏览器驱动器
from selenium.webdriver import ActionChains  # 拖动，滑动验证
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC #场景判断用的，一般和下面的等待加载元素一起使用
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')

    input_tag=browser.find_element_by_id('kw')
    input_tag.send_keys('美女') #python2中输入中文错误，字符串前加个u
    input_tag.send_keys(Keys.ENTER) #输入回车

    wait=WebDriverWait(browser,10)

    wait.until(EC.presence_of_element_located((By.ID,'content_left'))) #等到id为content_left的元素加载完毕,最多等10秒

    print(browser.page_source)
    print(browser.current_url)
    print(browser.get_cookies())

finally:
    browser.close()

 四选择器

1. 基本用法

#官网链接：http://selenium-python.readthedocs.io/locating-elements.html
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time

driver=webdriver.Chrome()
driver.get('https://www.baidu.com')
wait=WebDriverWait(driver,10)

try:
    #===============所有方法===================
    # 1、find_element_by_id    id 查找
    # 2、find_element_by_link_text   文本查找
    # 3、find_element_by_partial_link_text  模糊文本查找
    # 4、find_element_by_tag_name  标签名称查找
    # 5、find_element_by_class_name  类查找
    # 6、find_element_by_name  属性name查找
    # 7、find_element_by_css_selector css 查找
    # 8、find_element_by_xpath 如果上述还不够，可以用xpath一级一级查找
    # 强调：
    # 1、上述均可以改写成find_element(By.ID,'kw')的形式
    # 2、find_elements_by_xxx的形式是查找到多个元素，结果为列表

    #===============示范用法===================
    # 1、find_element_by_id
    print(driver.find_element_by_id('kw'))

    # 2、find_element_by_link_text
    # login=driver.find_element_by_link_text('登录')
    # login.click()

    # 3、find_element_by_partial_link_text
    login=driver.find_elements_by_partial_link_text('录')[0]
    login.click()

    # 4、find_element_by_tag_name
    print(driver.find_element_by_tag_name('a'))

    # 5、find_element_by_class_name
    button=wait.until(EC.element_to_be_clickable((By.CLASS_NAME,'tang-pass-footerBarULogin')))
    button.click()

    # 6、find_element_by_name
    input_user=wait.until(EC.presence_of_element_located((By.NAME,'userName')))
    input_pwd=wait.until(EC.presence_of_element_located((By.NAME,'password')))
    commit=wait.until(EC.element_to_be_clickable((By.ID,'TANGRAM__PSP_10__submit')))

    input_user.send_keys('18611453110')
    input_pwd.send_keys('lhf@094573')
    commit.click()

    # 7、find_element_by_css_selector
    driver.find_element_by_css_selector('#kw')

    # 8、find_element_by_xpath

    time.sleep(5)

finally:
    driver.close()

2. xpath

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By  # 按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
import time

try:
    driver = webdriver.Chrome()
    driver.implicitly_wait(3)

    driver.get('https://doc.scrapy.org/en/latest/_static/selectors-sample1.html')

    #1、//与/
     # 开头的//代表从整篇文档中寻找,开头是／代表最顶端，／html就是最顶端了

    tag=driver.find_element_by_xpath('/html/body/div/a')  # 一级一级的查找，遇到相同的找最近的
    print(tag.tag_name)  # 　a
    print(tag.text)   #  Name: My image 1
    print(tag.get_attribute('href'))  #  获取属性

    tag=driver.find_elements_by_xpath('//a')  # 整篇文档中寻找查找所有的a标签
    print(tag)

    tag=driver.find_elements_by_xpath('//div//a') # 查找div下所有的a标签
    print(len(tag))
    tag=driver.find_elements_by_css_selector('div a')  # css选择器查找div下所有的a标签
    print(len(tag))

    #2、查找第几个，支持切片
    tag=driver.find_elements_by_xpath('//div//a[5]')
    print(tag[0].text)

    #3、按照属性查找
    tag1=driver.find_element_by_xpath('//a[@href="image4.html"]')   # a标签下href属性是image4.html的标签
    tag2=driver.find_element_by_xpath('//a[4]')   # 第四个
    tag3=driver.find_element_by_xpath('//a[contains(@href,"image4")]')  # contains 模糊匹配

    print(tag1.text)
    print(tag2.text)
    print(tag3.text)

    #4、其他
    # driver.find_elements_by_xpath('//*[@class="xxxxx"]')  # class是xxxxx的所有标签
    # driver.find_elements_by_xpath('//div[@class="xxxxx"][@class="yyyyy"]') # div下 有xxxxx属性还有yyyyy属性的所有标签

    print(driver.find_element_by_xpath('//a[img/@src="image2_thumb.jpg"]').text) # 子标签img属性src="image2_thumb.jpg的a标签
    print(driver.find_element_by_xpath('//a/..').tag_name) # 第一个a标签的父标签div
    print(driver.find_element_by_xpath('//a[2]/..').tag_name) # 第二个a标签的父标签div

    print([tag.tag_name for tag in driver.find_elements_by_xpath('//img//..')])  # 所有img标签的父标签a  ['a', 'a', 'a', 'a', 'a']

    img=driver.find_element_by_xpath('//img')
    print(img.location) # 位置  {'y': 31, 'x': 8}
    print(img.size) # 长宽 {'width': 16, 'height': 16}

    time.sleep(5)
finally:
    driver.close()

3. 获取标签属性

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()

browser.get('https://www.amazon.cn/')

wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,'cc-lm-tcgShowImgContainer')))

tag=browser.find_element(By.CSS_SELECTOR,'#cc-lm-tcgShowImgContainer img')

#获取标签属性，
print(tag.get_attribute('src'))


#获取标签ID，位置，名称，大小（了解）
print(tag.id)
print(tag.location)
print(tag.tag_name)
print(tag.size)


browser.close()

获取标签属性

五等待元素加载

有的时候，你查找标签要对其操作的时候，因为页面没有加载过来，标签找不到

#1、selenium只是模拟浏览器的行为，而浏览器解析页面是需要时间的（执行css，js），一些元素可能需要过一段时间才能加载出来，为了保证能查找到元素，必须等待

#2、等待的方式分两种：
隐式等待：在browser.get（'xxx'）前就设置，针对所有元素有效
显式等待：在browser.get（'xxx'）之后设置，只针对某个元素有效

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()

#隐式等待:在查找所有元素时，如果尚未被加载，则等10秒
browser.implicitly_wait(10)

browser.get('https://www.baidu.com')


input_tag=browser.find_element_by_id('kw')
input_tag.send_keys('美女')
input_tag.send_keys(Keys.ENTER)

contents=browser.find_element_by_id('content_left') #没有等待环节而直接查找，找不到则会报错
print(contents)

browser.close()

隐式等待

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()
browser.get('https://www.baidu.com')


input_tag=browser.find_element_by_id('kw')
input_tag.send_keys('美女')
input_tag.send_keys(Keys.ENTER)


#显式等待：显式地等待某个元素被加载
wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,'content_left')))

contents=browser.find_element(By.CSS_SELECTOR,'#content_left')
print(contents)


browser.close()

六元素交互操作

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()
browser.get('https://www.amazon.cn/')
wait=WebDriverWait(browser,10)


input_tag=wait.until(EC.presence_of_element_located((By.ID,'twotabsearchtextbox')))
input_tag.send_keys('iphone 8')
button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
button.click() 点击按钮


import time
time.sleep(3)

input_tag=browser.find_element_by_id('twotabsearchtextbox')
input_tag.clear() #清空输入框
input_tag.send_keys('iphone7plus')  重新输入
button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
button.click()



# browser.close()

点击，清空

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By  # 按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
import time

driver = webdriver.Chrome()
driver.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
driver.implicitly_wait(3)  # 使用隐式等待

try:
    driver.execute_script('alert("hahha")')  # 发送JS代码
    driver.switch_to.frame('iframeResult')  #切换到iframeResult
    sourse=driver.find_element_by_id('draggable')
    target=driver.find_element_by_id('droppable')

    #方式一：基于同一个动作链串行执行
    # actions=ActionChains(driver) #拿到动作链对象
    # actions.drag_and_drop(sourse,target) #把动作放到动作链中，准备串行执行
    # actions.perform()

    #方式二：不同的动作链，每次移动的位移都不同
    ActionChains(driver).click_and_hold(sourse).perform()  # 点击不动
    distance=target.location['x']-sourse.location['x'] # 获取位置差

    track=0
    while track < distance:
        ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform() # 偏移位
        track+=2

    ActionChains(driver).release().perform()  # 释放鼠标

    time.sleep(10)

finally:
    driver.close()

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素


try:
    browser=webdriver.Chrome()
    browser.get('https://www.baidu.com')
    browser.execute_script('alert("hello world")') #打印警告
finally:
    browser.close()

#frame相当于一个单独的网页，在父frame里是无法直接查看到子frame的元素的，必须switch_to_frame切到该frame下，才能进一步查找

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By # 按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素


try:
    browser=webdriver.Chrome()
    browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')

    browser.switch_to.frame('iframeResult') # 切换到id为iframeResult的frame，这是整个盒子

    tag1=browser.find_element_by_id('droppable')  # 请放置到这里
    print(tag1)

    # tag2=browser.find_element_by_id('textareaCode') # 报错，在子frame里无法查看到父frame（整个盒子，iframeResult）的元素
    
    browser.switch_to.parent_frame() #切回父frame,就可以查找到了 # 切换到（整个盒子，iframeResult）
    tag2=browser.find_element_by_id('textareaCode')
    print(tag2)

finally:
    browser.close()

七其他

#模拟浏览器的前进后退
import time
from selenium import webdriver

browser=webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.get('http://www.sina.com.cn/')

browser.back()  后退
time.sleep(10)
browser.forward()  前进
browser.close()

#cookies
from selenium import webdriver

browser=webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'k1':'xxx','k2':'yyy'})
print(browser.get_cookies())

# browser.delete_all_cookies()

用selenium模拟登陆后再用request模块拿到quests模块发送请求

# 选项卡管理：切换选项卡，有js的方式windows.open,有windows快捷键：ctrl+t等，最通用的就是js的方式
import time
from selenium import webdriver

browser=webdriver.Chrome()
browser.get('https://www.baidu.com')  # 第一次我打开的是百度
browser.execute_script('window.open()')  # JS切换选项卡方式

print(browser.window_handles) #获取所有的选项卡
browser.switch_to.window(browser.window_handles[1])  # 拿到第二个选项卡
browser.get('https://www.taobao.com') # 更改访问URL
time.sleep(5)
browser.switch_to.window(browser.window_handles[0])  # 拿到第一个选项卡
browser.get('https://www.sina.com.cn') # 更改访问URL
time.sleep(5)
browser.close()

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

try:
    browser=webdriver.Chrome()
    browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
    browser.switch_to.frame('iframssseResult')

except TimeoutException as e:
    print(e)
except NoSuchFrameException as e:
    print(e)
finally:
    browser.close()

八项目练习

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time


def get_goods(driver):  # 浏览器操作驱动
    try:
        goods=driver.find_elements_by_class_name('gl-item') # 所有商品块，是个列表，因为你是CLASS查找

        for good in goods:
            detail_url=good.find_element_by_tag_name('a').get_attribute('href') # 商品连接地址

            p_name=good.find_element_by_css_selector('.p-name em').text.replace('\n','')  # 简介
            price=good.find_element_by_css_selector('.p-price i').text   # 价钱
            p_commit=good.find_element_by_css_selector('.p-commit a').text  # 多少条评论

            msg = '''
            商品 : %s
            链接 : %s
            价钱 ：%s
            评论 ：%s
            ''' % (p_name,detail_url,price,p_commit)

            print(msg,end='\n\n')


        button=driver.find_element_by_partial_link_text('下一页') # 下一页键
        button.click()
        time.sleep(1)
        get_goods(driver)
    except Exception:
        pass

def spider(url,keyword):  # 'https://www.jd.com/',keyword='iphone8'
    driver = webdriver.Chrome()
    driver.get(url)
    driver.implicitly_wait(3)  # 使用隐式等待
    try:
        input_tag=driver.find_element_by_id('key') # 输入框，搜索框
        input_tag.send_keys(keyword)
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver) # 浏览器操作驱动
    finally:
        driver.close()


if __name__ == '__main__':
    spider('https://www.jd.com/',keyword='iphone8')  # 主 函数调用



商品 : Apple 苹果 iPhone7 Plus 手机 亮黑色 全网通 128GB
            链接 : https://item.jd.com/10673889496.html
            价钱 ：6158.00
            评论 ：4400+