Selenium自动化不为人知的秘密武器

大家都知道大名鼎鼎的Selenium，是一个用于Web应用程序自动化测试工具。可以帮助测试人员解决回归测试和多浏览器兼容性测试的问题，通过自动化脚本来提升测试效率，今天本文来介绍下Selenium的另外的一个应用小场景，网页内容爬取。
说到爬虫，大家应该并不陌生，Python下面用requests库就可以实现，但是如果你对接口测试只是不是很熟悉，用Selenium来简单爬取下页面上的内容也是一个很便捷的方案，毕竟Selenium入门上手还是很简单的。
Selenium环境不会搭建的小伙伴请自行百度下环境搭建的步骤，本文不对基础环境搭建进行讲解哦。

 

下面我们以Testfan社区（ask.testfan.cn）为例，介绍下如何使用Selenium自动化工具实现简单的爬虫功能，我们先用Python脚本实现下，Java代码类似，主要借鉴代码逻辑思路即可。我们的需求是把testfan社区文章模块下的前面N页的文章爬取下来(文章标题和每个文章的url，文章模块的地址是http://ask.testfan.cn/articles)

 

首先我们分析下testfan社区文章模块的url格式，我先随便翻几页看看：

 

 

 

 

上面的图，这是第2页

 

 

 

 

上面的图，这是第5页

 

分析上面2个页面的url，我们发现http: // ask.testfan.cn /articles?page= 2  //此处的page=2是控制的翻页的页码，也就是说如果我想看第1的文章，那我把page=2改成page=1就可以了，以此类推

 

 

 

 

接下来我们分析下每页中的文章标题在dom里的位置和结构，我们想获取每个文章的标题文本和文章的url链接，此处的定位方式很多，自己练习下，本文代码案例采用css定位方式。

 

 

 

 

 

咱们接着说，css去描述完文章标题所在的链接元素是这样的(是不是很简洁，一下子能定位到当前页的几十个文章)：".title > a"，然后获取链接元素的href属性和元素的文本信息即可。

 

 

 

 

剩下的就是循环打印当前页每个文章的标题和URL并保存到文件中了，当搞定当前页面后，更新下一个页面的URL再继续就可以了。

代码实现逻辑参考如下：

 

 

 

 

有的同学会说那Selenium基于实体浏览器基于页面回放可能爬取速度会比较慢一些，这里推荐2个虚拟浏览器(无界面的)， HtmlUnit和PhantomJS，他们都不是真正的浏览器，运行时不会渲染页面显示内容，但是支持页面元素查找，js的执行等；由于不进行css和gui渲染，运行效率要比真实的浏览器要快很多。

 

那下面这个代码案例就是Java脚本配合HtmlUnitDriver提高运行效率后代码，逻辑和上面的Python+FF浏览器是一样的，大家自行参考逻辑即可

 

 

 

写在最后，爬虫有风险,爬取须谨慎！

作　　者：Testfan 楼管家

出　　处：微信公众号：自动化软件测试平台

版权说明：欢迎转载，但必须注明出处，并在文章页面明显位置给出文章链接