爬虫 >>> Selenium 模块

Selenium介绍

　　起初是一个自动化测试工具；但是在爬虫上可以 用来解决 requests 无法直接执行 JavaScript 代码的问题。

　　本质：通过驱动浏览器，模拟浏览器的操作（跳转、点击、下拉等）， 取到网页渲染之后的结果

　　注：支持多种浏览器；如：Chrome、Firefox、PhantomJS、Safari、Edge等

安装

pip3 install selenium

还需要下载 chromdriver.exe 配合使用，放在python安装路径的script目录即可

国内镜像网站地址：http://npm.taobao.org/mirrors/chromedriver/2.38/
官网:https://sites.google.com/a/chromium.org/chromedriver/downloads

直接放在 Pycharm 的根目录下就可以

 基本使用

from selenium import webdriver

browser = webdriver.Chrome()  # 以谷歌浏览器为例，生成一个浏览器对象
browser.get(url)
browser.page_source   # 返回的结果（HTML页面数据）
browser.current_url   # 页面当前的 url
browser.get_cookies()  # 加入是登录请求，可以取出返回来的所有 cookie 值
browser.get_cookie(key)  # 加入是登录请求，可以取出返回来的cookie中key为key对应的值

 无界面浏览器

　　Headless mode 需要 chrome 59/60 版本以上；并进行以下配置

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('window-size=1920x3000')  
# 指定浏览器分辨率

chrome_options.add_argument('--disable-gpu')  
# 谷歌文档提到需要加上这个属性来规避bug

chrome_options.add_argument('--hide-scrollbars')  
# 隐藏滚动条, 应对一些特殊页面

chrome_options.add_argument('blink-settings=imagesEnabled=false')  
# 不加载图片, 提升速度

chrome_options.add_argument('--headless')  
# 浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败

chrome_options.binary_location = r"C:Program Files (x86)GoogleChromeApplicationchrome.exe"  
# 手动指定使用的浏览器位置


browser = webdriver.Chrome(chrome_options=chrome_options)  # 设置 chrome_options 参数
browser.get('https://www.baidu.com')
print('hao123' in driver.page_source)
browser.close()  # 切记关闭浏览器，回收资源

 进阶使用

# 1、find_element_by_id  根据具体的 id 查找  有且只有一个
browser.find_element_by_id('kw')


# 2、find_element_by_link_text  根据带有链接的文本查找第一个
# 2.1、find_elements_by_link_text  根据带有链接的文本查找多个[列表形式返回结果]
login = browser.find_element_by_link_text('登录')  # 找到登录的 button 按钮
login.click()  # 点击


# 3、find_element_by_partial_link_text  根据带有链接的部分文本内容查找第一个
# 3.1、find_elements_by_partial_link_text  根据带有链接的部分文本内容查找所有
login = browser.find_elements_by_partial_link_text('录')[0]
login.click()



# 4、find_element_by_tag_name  个根据标签名字查找第一个
# 4.1、find_elements_by_tag_name  个根据标签名字查找所有
browser.find_element_by_tag_name('a')


# 5、find_element_by_class_name  根据类名查找第一个
# 5.1、find_elements_by_class_name  根据类名查找所有
button = browser.find_element_by_class_name('kkk')
button.click()


# 6、find_element_by_name  根据属性名查找第一个
# 6.1、find_elements_by_name  根据属性名查找所有
input_user = browser.find_element_by_name('userName')
input_pwd = browser.find_element_by_name('password')
input_user.send_keys('账户')
input_pwd.send_keys('密码')
submit_button = browser.find_element_by_id('TANGRAM__PSP_10__submit')
submit_button.click()



# 7、find_element_by_css_selector  根据 css 选择器查找第一个
# 7、find_elements_by_css_selector  根据 css 选择器查找所有
browser.find_element_by_css_selector('#kw')  # 根据 id
browser.find_element_by_css_selector('.kw')  # 根据 class

-------------------------------------------------------------------------------------
# 8、find_element_by_xpath  根据 xpath 语法 进行查找第一个
# 8.1、find_elements_by_xpath  根据 xpath 语法进行查找所有

xpath 的使用

　　详细使用：https://www.w3school.com.cn/xpath/xpath_syntax.asp

　　基础语法：

                      

　　通配符：

                     

 　　示例：

                      

---

                       

                        

　　　　例子使用：https://www.cnblogs.com/xiaoyuanqujing/articles/11805718.html

---

　　获取标签属性

from selenium import webdriver
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/')
# tag = browser.find_element_by_css_selector('#cc-lm-tcgShowImgContainer img') 等同与下
tag = browser.find_element(By.CSS_SELECTOR, '#cc-lm-tcgShowImgContainer img')

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

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

browser.close()

 　　隐示/显示等待

'''
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 
'''

# 等待的方式分两种：
# 1、隐式等待：在 browser.get（'xxx'）前就设置，针对所有元素有效   --------------> 推荐使用
from selenium import webdriver
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（10秒内加载出来则直接查找，不是每次都10秒）
browser.implicitly_wait(10)  # get 之前
browser.get('https://www.baidu.com')
# 再执行操作


# 2、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.common.by import By
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')
wait = WebDriverWait(browser, 10)  # get 之后
wait.until(EC.presence_of_element_located((By.ID,'content_left')))
# 再执行操作

　　功能补充 

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.back()   # 模拟浏览器的后退
browser.forward()   # 模拟浏览器的前进
browser.get_cookies()  # 获取 cookies
browser.add_cookie('字典形式')  # 添加 cookie
browser.delete_all_cookies()  # 删除所有 cookies
browser.window_handles  # 获取所有的选项卡
browser.switch_to_window(browser.window_handles[1])  # 移动到底1个选项卡
# 在交互动作比较难实现时候可以自己写 JS   --->   execute_script
browser.execute_script('alert("hello world")')  # 打印警告
browser.close()

　　异常处理

　　　　一般都在 try 里面进行任务的执行，一旦发现报错，会在 except 里面捕获，且最终都要在 finally 里面执行关闭浏览器功能

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()

练习：爬取京东商城商品信息

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):
    try:
        goods = driver.find_elements_by_class_name('gl-item')
        for good in goods:
            detail_url = good.find_element_by_tag_name('a').get_attribute('href')

            p_name = good.find_element_by_css_selector('.p-name em').text.replace('
','')
            price = good.find_element_by_css_selector('.p-price i').text
            p_commit = good.find_element_by_css_selector('.p-commit a').text

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

            print(msg, end='

')

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

    
def spider(url,keyword):
    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')
        input_tag.send_keys(keyword)
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver)
    finally:
        driver.close()

if __name__ == '__main__':
    spider('https://www.jd.com/',keyword='iPhone8手机')