爬虫基础库之Selenium

1.简介

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()  #谷歌
browser=webdriver.Firefox()  #火狐
browser=webdriver.PhantomJS()  #无界面浏览器
browser=webdriver.Safari()
browser=webdriver.Edge() 

官方地址

 

2.安装

（1）selenium+chromedriver

#安装：selenium+chromedriver
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
国内镜像网站地址：http://npm.taobao.org/mirrors/chromedriver/2.29/
最新的版本去官网找:https://sites.google.com/a/chromium.org/chromedriver/downloads

#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

#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

（2）selenium+phantomjs

#安装：selenium+phantomjs
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

#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

 

3.基本使用

from selenium import webdriver  #驱动浏览器
from selenium.webdriver import ActionChains  #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
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')  #请求百度页面，可以看到它帮你打开了

    input_tag=browser.find_element_by_id('kw')  #找到input标签
    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:   #不论怎样，下面的代码都会执行
    browser.close()

 

 

4.选择器

（1）元素选取

想要对页面进行操作，首先要做的是选中页面元素。

定位方法

定位一个元素	定位多个元素	含义
find_element_by_id	find_elements_by_id	通过元素ID进行定位
find_element_by_name	find_elements_by_name	通过元素名称定位
find_element_by_xpath	find_elements_by_xpath	通过xpath表达式进行定位
find_element_by_link_text	find_elements_by_link_text	通过完成超链接文本进行定位
find_element_partial_link	find_elements_partial_link	通过部分超链接文本进行定位
find_element_by_tag_name	find_elements_by_tag_name	通过标签名称进行定位
find_element_by_class_name	find_elements_by_class_name	通过类名进行定位
find_element_by_css_selector	find_elements_by_css_selector	通过CSS选择器进行定位

 

 

 

 

 

 

 

 

 

 

 

 

定位元素示例：

river = webdriver.Chrome()
driver.get('https://www.baidu.com')
print(1,driver.find_element_by_id('u'))
print(2,driver.find_element_by_link_text('新闻'))
print(3,driver.find_element_by_partial_link_text('闻'))
print(4,driver.find_element_by_tag_name('a'))
print(5,driver.find_element_by_class_name('s_tab'))
print(6,driver.find_element_by_name('tj_settingicon'))
print(7,driver.find_element_by_css_selector('.c-icon-triangle-down'))

time.sleep(20)
driver.close()
结果：都是一些对象
1 <selenium.webdriver.remote.webelement.WebElement (session="066063ad1cc136382f8c6a92d57e8d44", element="0.1652270453979785-1")>
2 <selenium.webdriver.remote.webelement.WebElement (session="066063ad1cc136382f8c6a92d57e8d44", element="0.1652270453979785-2")>
3 <selenium.webdriver.remote.webelement.WebElement (session="066063ad1cc136382f8c6a92d57e8d44", element="0.1652270453979785-2")>
4 <selenium.webdriver.remote.webelement.WebElement (session="066063ad1cc136382f8c6a92d57e8d44", element="0.1652270453979785-3")>
5 <selenium.webdriver.remote.webelement.WebElement (session="066063ad1cc136382f8c6a92d57e8d44", element="0.1652270453979785-4")>
6 <selenium.webdriver.remote.webelement.WebElement (session="066063ad1cc136382f8c6a92d57e8d44", element="0.1652270453979785-5")>
7 <selenium.webdriver.remote.webelement.WebElement (session="066063ad1cc136382f8c6a92d57e8d44", element="0.1652270453979785-6")>

除了上面具有确定功能的方法，还有两个方法find_element和find_elements，可以通过传入参数来指定功能，其实和上面的类似：

print(8,driver.find_element(By.ID,'u'))

常见的参数：

BY.ID
BY.NAME
BY.TAG_NAME
BY.LINK_TEXT
BY.CLASS_NAME
BY.PARTIAL+LINK_TEXT
BY.XPATH
BY.CSS_SELECTOR

用法示例：

print(8,driver.find_element(By.ID,'u'))
print(9,driver.find_element(By.LINK_TEXT,'新闻'))
print(10,driver.find_element(By.NAME,'tj_settingicon'))
print(11,driver.find_element(By.PARTIAL_LINK_TEXT,'闻'))
print(12,driver.find_element(By.TAG_NAME,'a'))
print(13,driver.find_element(By.CLASS_NAME,'s_tab'))
print(14,driver.find_element(By.CSS_SELECTOR,'.c-icon-triangle-down'))

（2）获取标签属性

在获取到相应的标签以后，可以查询相应的属性。

driver = webdriver.Chrome()
driver.get('https://daohang.qq.com')
wite = WebDriverWait(driver,10)  #显示等待

tag = driver.find_element(By.CSS_SELECTOR,'.tianmao a')
print(tag.get_attribute('href'))
print(tag.location)
print(tag.tag_name)
print(tag.size)
print(tag.id)

结果：
https://s.click.taobao.com/lk7o3Bx
{'x': 169, 'y': 391}
a
{'height': 18, 'width': 55}
0.38338966910989525-1

（3）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

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()

 

5.等待元素被加载

selenium只是模拟浏览器的行为，二浏览器解析页面是需要时间的（执行CSS、JS），

有些元素可能需要加载时间，在没有加载成功的时候，肯定获取不到相应的结果。

等待的方式有两种：

隐式等待：在browser.get(' ')之前就设置，针对所有元素都有效

显示等待：在browser.get(' ')之后设置，只正对某个元素有效

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()

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()

 

6.元素交互操作

（1）clear()

对于某些赋值的操作，在它里面有值得时候如果再进行赋值，就会出现报错，应次需要清空。

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()


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')
button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
button.click()

（2）按住、移动、松开按钮

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')
wait=WebDriverWait(driver,3)
# driver.implicitly_wait(3)  # 使用隐式等待

try:
    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()
    distance=target.location['x']-sourse.location['x']

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

    ActionChains(driver).release().perform()

    time.sleep(10)

finally:
    driver.close()

 

7.其它：

（1）模拟浏览器前进后退

#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()
time.sleep(10)
browser.forward()
browser.close()

（2）cookie

from selenium import webdriver

driver = webdriver.Chrome()
driver.get('https://zhihu.com/explore')
print(driver.get_cookies())
driver.add_cookie({'name':'vi','value':'v2'})
print(driver.get_cookies())

driver.close()

（3）选项卡管理

#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

driver = webdriver.Chrome()
driver.get('https://baidu.com')
driver.execute_script('window.open()')  #利用选项卡打开js代码，打开一个弹窗

print(driver.window_handles)
driver.switch_to_window(driver.window_handles[1])  #新开一个窗口打开淘宝
driver.get('https://www.taobao.com')
driver.switch_to_window(driver.window_handles[0])  #将之前百度得页面替换成天猫
driver.get('https://www.tmall.com')

time.sleep(5)
driver.close()