爬虫基础：Selenium库

什么是Selenium库

Selenium是自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染的问题

可以用Selenium来完成网页的下拉，点击等等操作。可以完全模拟浏览器加载网页，点击按钮，就像人一样。

如何安装

pip3 install selenium

用法讲解

• 基本使用 ----selenium驱动chrome完成打开百度，输入关键字，点击回车的动作

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
from selenium.webdriver.chrome.options import Options

options = Options()
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
options.add_argument('--headless')
options.add_argument('--disable-gpu')
browser = webdriver.Chrome(executable_path='/usr/bin/chromedriver', chrome_options=options)#打开浏览器,加了很多option，为了在命令行下可以正常调用Chrome
try:
    browser.get('http://www.baidu.com')#打开url
    input = browser.find_element_by_id('kw')#找到id为kw的元素，并赋值给input
    input.send_keys('Python')#input向这个元素传入Python字符串
    input.send_keys(Keys.ENTER)#向input这个元素传入回车
    wait = WebDriverWait(browser,10)#等待10秒
    wait.until(EC.presence_of_element_located((By.ID,'content_left')))#一直等待，直到id= content_left的元素加载完毕
    print(browser.current_url)#打印当前的url
    print(browser.get_cookies())#打印当前浏览器的cookie
    print(browser.page_source)#打印当前页面的源代码
finally:
    browser.close()#关闭浏览器

• 声明浏览器对象

from selenium import webdriver
browser = webdriver.Chrome(executable_path='/usr/bin/chromedriver', chrome_options=options)
browser = webdriver.Firefox()
browser = webdriver.Edge()

• 访问页面

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
from selenium.webdriver.chrome.options import Options

options = Options()
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
options.add_argument('--headless')
options.add_argument('--disable-gpu')
browser = webdriver.Chrome(executable_path='/usr/bin/chromedriver', chrome_options=options)
try:
    browser.get('http://www.taobao.com')#访问淘宝
    print(browser.page_source)#返回页面源代码
finally:
    browser.close()

• 查找元素，比如找到input 输入信息，找到button，模拟点击

查找单个元素

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
from selenium.webdriver.chrome.options import Options

options = Options()
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
options.add_argument('--headless')
options.add_argument('--disable-gpu')
browser = webdriver.Chrome(executable_path='/usr/bin/chromedriver', chrome_options=options)
try:
    browser.get('http://www.w3school.com.cn/css/index.asp')
    input_first = browser.find_element_by_id('intro')
    input_second = browser.find_element_by_css_selector('#intro')
    input_third = browser.find_element_by_xpath('//*[@id="intro"]')
    print(input_first,input_second,input_third)
finally:
    browser.close()

返回结果:

<selenium.webdriver.remote.webelement.WebElement (session="c29059732801b21c6317ce92c7484751", element="0.057789670625651324-1")> <selenium.webdriver.remote.webelement.WebElement (session="c29059732801b21c6317ce92c7484751", element="0.057789670625651324-1")> <selenium.webdriver.remote.webelement.WebElement (session="c29059732801b21c6317ce92c7484751", element="0.057789670625651324-1")>

有以下查找元素的方法

• find_element_by_name
• find_element_by_xpath
• find_element_by_link_text
• find_element_by_partial_link_text
• find_element_by_tag_name
• find_element_by_class_name
• find_element_by_css_selector
• 通用查找模式 find_element(By.ID,'intro')

查找多个元素

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
from selenium.webdriver.chrome.options import Options

options = Options()
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
options.add_argument('--headless')
options.add_argument('--disable-gpu')
browser = webdriver.Chrome(executable_path='/usr/bin/chromedriver', chrome_options=options)
try:
    browser.get('http://www.taobao.com')
    lis = browser.find_elements_by_css_selector('.service-bd li')#注意是find_elements_XXX
    lis = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')#和上面的方法的结果一样。这里用通用查找多个元素方法
    print(lis)#返回一个列表
finally:
    browser.close()

有多种方法查找多个元素

• find_elements_by_name
• find_elements_by_xpath
• find_elements_by_link_text
• find_elements_by_partial_link_text
• find_elements_by_tag_name
• find_elements_by_class_name
• find_elements_by_css_selector
• 通用查找模式 find_elements(By.ID,'intro')

元素交互操作

对获取的元素调用交互方法

我们用上面的find_element等方法的到了元素，那么怎么操作这些元素呢？

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

options = Options()
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
options.add_argument('--headless')
options.add_argument('--disable-gpu')
browser = webdriver.Chrome(executable_path='/usr/bin/chromedriver', chrome_options=options)
try:
    browser.get('http://www.taobao.com')
    input = browser.find_element_by_css_selector('#q')#找到id='q'的input
    input.send_keys("iPhone")#在这个input中输入iPhone
    time.sleep(1)#等待1秒钟
    input.clear()#清空输入框
    input.send_keys("iPad")#input输入iPad
    button = browser.find_element_by_class_name('btn-search')#找到类名为‘btn-search’的元素
    button.click()#这个元素执行click函数
finally:
    browser.close()

更多操作

https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement

交互动作 与元素交互动作不同

将动作附加到动作链中串行执行

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

options = Options()
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
options.add_argument('--headless')
options.add_argument('--disable-gpu')
browser = webdriver.Chrome(executable_path='/usr/bin/chromedriver', chrome_options=options)
try:
    browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
    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()
finally:
    browser.close()

更多动作链

https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

执行JavaScript

from selenium import webdriver
browser = webdirver.Chrome()
browser.get('http://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')

获取元素信息

获取属性

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

获取文本值

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

获取ID、位置、标签名、size

from selenium import webdriver
browser = webdriver.Chrome()
url = 'http://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)

Frame

网页可能存在不止一个frame

import time
from selenium import webdirver
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.swithch_to.frame('iframeResult')
print(source)
try:
    logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    print('NO LOGO')#子frame找不到父frame的元素
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

等待

隐式等待

当使用了隐式等待执行测试的时候，如果WebDriver没有在DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常，换句话说，当查找元素或元素并没有立即出现的时候，隐式等待将等待一段时间在查找DOM，默认的时间是0

from selenium import webdirver
browser = webdirver.Chrome()
browser.implicity_wait(10)#设置隐式等待10秒，意义：如果知乎网站没有打开，那么默认等待10秒，如果10秒之后还找不到元素，再抛出异常。如果网速特别慢，可以用这个办法
browser.get('https://www.zhihu.com/explore')
input = browser.find_element_by_class_name('zu-top=add-question')
print(input)

显式等待 非常常用

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)#显式等待，更加常见，设置最长等待时间10秒
input = wait.until(EC.presence_of_element_located((By.ID,'q')))#等待条件是如果获取id是q的元素
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'btn-search')))#等待条件是获取class='btn-search'的按钮
print(input,button)

以下是expected_conditions常见操作

• title_is 标题是某内容
• title_contains 标题包含某内容
• presence_of_element_located 元素加载出，传入定位元组，如（By.ID,'p'）
• visibility_of_element_located 元素可见，传入定位元组
• visibility_of 可见，传入元素对象
• presence_of_all_elements_located 所有元素加载出
• text_to_be_present_in_element 某个元素文本包含某文字
• text_to_be_present_in_element_value 某个元素值包含某文字
• frame_to_be_available_and_switch_to_it frame加载并切换
• invisibility_of_element_located 元素不可见
• element_to_be_cliable 元素可点击
• staleness_of 判断一个元素是否人在DOM，可判断页面是否已经刷新
• element_to_be_selected 元素可选择，传元素对象
• element_located_to_be_selected 元素可选择，传入定位元组
• element_selection_state_to_be 传入元素对象以及状态，相等返回True，否则返回False
• element_located_selection_state_to_be 传入定位元组以及状态，相等返回True，否则返回False
• alert_is_present 是否出现Alert

详细内容

https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

浏览器的前进后退

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('http://www.baidu.com')
browser.get('http://www.taobao.com')
browser.get('http://www.python.com')
browser.back()#后退
time.sleep(1)
browser.forward()#前进
browser.close()

Cookies，如果做登陆后爬取非常有用

from selenium import webdirver
browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name':'name','domain':'www.zhihu.com','value':'hello'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

选项卡管理

import time
from selenium import webdriver

browser = webdirver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')#新增选项卡
print(browser.window_handles)#返回浏览器窗口句柄
browser.switch_to_window(browser.window_handles[1])#切换到第二个选项卡
browser.get('https://www.taobao.com')#第二个选项卡打开淘宝
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])#切换到第一个选项卡
browser.get('http://python.org')#第一个选项卡打开python.org

异常处理

from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.find_element_by_id('hello')#不存在id=hello的元素，抛出异常NoSuchElementException

详细异常文档

https://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions