Python爬虫：selenium

admin管理员组

文章数量:1794759

Python爬虫：selenium

目录

1. selenium的介绍

2. selenium的作用和工作原理

3. selenium的安装以及简单使用

4. selenium的简单使用

5. selenium提取数据

6. selenium的其它使用方法 

 6.1 selenium标签页的切换

6.2 switch_to切换frame标签

6.3 selenium对cookie的处理

 6.4 selenium控制浏览器执行js代码

6.5 页面等待

 6.6 selenium开启无界面模式

6.7 selenium使用代理ip

6.8 selenium替换user-agent

---

1. selenium的介绍

Selenium是一个Web的自动化测试工具，最初是为网站自动化测试而开发的，Selenium 可以直接调用浏览器，它支持所有主流的浏览器（包括PhantomJS这些无界面的浏览器），可以接收指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏等。我们可以使用selenium很容易完成之前编写的爬虫。

2. selenium的作用和工作原理

利用浏览器原生的API，封装成一套更加面向对象的Selenium WebDriver API，直接操作浏览器页面里的元素，甚至操作浏览器本身（截屏，窗口大小，启动，关闭，安装插件，配置证书之类的） 

• webdriver本质是一个web-server，对外提供webapi，其中封装了浏览器的各种功能；
• 不同的浏览器使用各自不同的webdriver。

3. selenium的安装以及简单使用

以谷歌浏览器的chromedriver为例

3.1 在Python虚拟环境中安装selenium模块

pip/pip3 install selenium

3.2 下载版本符合的webdriver

查看谷歌浏览器的版本

在 npmmirror/ 选择ChromeDriver镜像 进入选择不同版本的chromedriver下载

点击notes.txt进入版本说明页面，查看chrome和chromedriver匹配的版本

根据操作系统下载正确版本的chromedriver 

解压压缩包后获取python代码可以调用的谷歌浏览器的webdriver可执行文件

• windows为chromedriver.exe

• linux和macos为chromedriver 

chromedriver环境的配置

• windows环境下需要将 chromedriver.exe 所在的目录设置为path环境变量中的路径
• linux/mac环境下，将 chromedriver 所在的目录设置到系统的PATH环境值中

4. selenium的简单使用 import time from selenium import webdriver # 通过指定chromedriver的路径来实例化driver对象，chromedriver放在当前目录。 # driver = webdriver.Chrome(executable_path='./chromedriver') # chromedriver已经添加环境变量 driver = webdriver.Chrome() # 控制浏览器访问url地址 driver.get("www.baidu/") # 在百度搜索框中搜索'python' driver.find_element_by_id('kw').send_keys('python') # 点击'百度搜索' driver.find_element_by_id('su').click() time.sleep(6) # 退出浏览器 driver.quit()

• webdriver.Chrome(executable_path='./chromedriver')中executable参数指定的是下载好的chromedriver文件的路径
• driver.find_element_by_id('kw').send_keys('python')定位id属性值是'kw'的标签，并向其中输入字符串'python'
• driver.find_element_by_id('su').click()定位id属性值是su的标签，并点击
  • click函数作用是：触发标签的js的click事件

5. selenium提取数据

driver对象的常用属性和方法 

在使用selenium过程中，实例化driver对象后，driver对象有一些常用的属性和方法

• driver.page_source 当前标签页浏览器渲染之后的网页源代码
• driver.current_url 当前标签页的url
• driver.close() 关闭当前标签页，如果只有一个标签页则关闭整个浏览器
• driver.quit() 关闭浏览器
• driver.forward() 页面前进
• driver.back() 页面后退
• driver.screen_shot(img_name) 页面截图

driver对象定位标签元素获取标签对象的方法

• find_element_by_id (返回一个元素)
• find_element(s)_by_class_name (根据类名获取元素列表)
• find_element(s)_by_name (根据标签的name属性值返回包含标签对象元素的列表)
• find_element(s)_by_xpath  (返回一个包含元素的列表)
• find_element(s)_by_link_text (根据连接文本获取元素列表)
• find_element(s)_by_partial_link_text (根据链接包含的文本获取元素列表)
• find_element(s)_by_tag_name (根据标签名获取元素列表)
• find_element(s)_by_css_selector (根据css选择器来获取元素列表)

注意：

• find_element和find_elements的区别：
  • 多了个s就返回列表，没有s就返回匹配到的第一个标签对象
  • find_element匹配不到就抛出异常，find_elements匹配不到就返回空列表
• by_link_text和by_partial_link_tex的区别：全部文本和包含某个文本
• 以上函数的使用方法
  • driver.find_element_by_id('id_str')

标签对象提取文本内容和属性值

find_element仅仅能够获取元素，不能够直接获取其中的数据，获取数据需要使用以下方法

• element.click() 对定位到的标签对象进行点击操作

• element.send_keys(data) 对定位到的标签对象输入数据

• element.text 获取文本内容

• element.get_attribute("属性名") 传入属性名，获取属性的值​

6. selenium的其它使用方法   6.1 selenium标签页的切换

• 获取所有标签页的窗口句柄

• 利用窗口句柄字切换到句柄指向的标签页

这里的窗口句柄是指：指向标签页对象的标识

具体的方法：

# 1. 获取当前所有的标签页的句柄构成的列表 current_windows = driver.window_handles # 2. 根据标签页句柄列表索引下标进行切换 driver.switch_to.window(current_windows[0])

 示例：

import time from selenium import webdriver driver = webdriver.Chrome() driver.get("www.baidu/") time.sleep(1) driver.find_element_by_id('kw').send_keys('python') time.sleep(1) driver.find_element_by_id('su').click() time.sleep(1) # 通过执行js来新开一个标签页 js = 'window.open("www.sogou");' driver.execute_script(js) time.sleep(1) # 1. 获取当前所有的窗口 windows = driver.window_handles time.sleep(2) # 2. 根据窗口索引进行切换 driver.switch_to.window(windows[0]) time.sleep(2) driver.switch_to.window(windows[1]) time.sleep(6) driver.quit() 6.2 switch_to切换frame标签

iframe是html中常用的一种技术，即一个页面中嵌套了另一个网页，selenium默认是访问不了frame中的内容的，对应的解决思路是driver.switch_to.frame(frame_element) 

示例：

import time from selenium import webdriver driver = webdriver.Chrome() url = 'mail.qq/cgi-bin/loginpage' driver.get(url) time.sleep(2) login_frame = driver.find_element_by_id('login_frame') # 根据id定位 frame元素 driver.switch_to.frame(login_frame) # 转向到该frame中 driver.find_element_by_xpath('//*[@id="u"]').send_keys('账号@qq') time.sleep(2) driver.find_element_by_xpath('//*[@id="p"]').send_keys('密码') time.sleep(2) driver.find_element_by_xpath('//*[@id="login_button"]').click() time.sleep(2) """操作frame外边的元素需要切换出去""" windows = driver.window_handles driver.switch_to.window(windows[0]) content = driver.find_element_by_class_name('login_pictures_title').text print(content) driver.quit()

• 切换到定位的frame标签嵌套的页面中driver.switch_to.frame(通过find_element_by函数定位的frame、iframe标签对象)

• 利用切换标签页的方式切出frame标签 windows = driver.window_handles driver.switch_to.window(windows[0])

6.3 selenium对cookie的处理

获取cookie

driver.get_cookies()返回列表，其中包含的是完整的cookie信，不光有name、value，还有domain等cookie其他维度的信。所以如果想要把获取的cookie信和requests模块配合使用的话，需要转换为name、value作为键值对的cookie字典

# 获取当前标签页的全部cookie信 print(driver.get_cookies()) # 把cookie转化为字典 cookies_dict = {cookie['name']: cookie['value'] for cookie in driver.get_cookies()}

删除cookie

#删除一条cookie driver.delete_cookie("CookieName") # 删除所有的cookie driver.delete_all_cookies()  6.4 selenium控制浏览器执行js代码

执行js的方法：driver.execute_script(js)

import time from selenium import webdriver driver = webdriver.Chrome() driver.get("movie.douban/") time.sleep(1) js = 'window.scrollTo(0,document.body.scrollHeight)' # js语句 driver.execute_script(js) # 执行js的方法 time.sleep(3) driver.quit() 6.5 页面等待

强制等待

隐式等待

显式等待

强制等待

其实就是time.sleep()

缺点时不智能，设置的时间太短，元素还没有加载出来；设置的时间太长，则会浪费时间

隐式等待

• 针对元素定位，设置了一个时间，在一段时间内判断元素定位成功就进行下一步；

• 在设置的时间内没有定位成功，则会报超时加载；

示例：

from selenium import webdriver driver = webdriver.Chrome() driver.implicitly_wait(10) # 隐式等待，最长等20秒 driver.get('www.baidu') driver.find_element_by_xpath()

显式等待

• 每经过多少秒就查看一次等待条件是否达成，如果达成就停止等待，继续执行后续代码

• 如果没有达成就继续等待直到超过规定的时间后，报超时异常

示例代码：

from selenium import webdriver from selenium.webdriver.support.wait import WebDriverWait from selenium.webdriver.support import expected_conditions as EC from selenium.webdrivermon.by import By driver = webdriver.Chrome() driver.get('www.baidu') # 显式等待 WebDriverWait(driver, 20, 0.5).until( EC.presence_of_element_located((By.LINK_TEXT, '好123'))) # 参数20表示最长等待20秒 # 参数0.5表示0.5秒检查一次规定的标签是否存在 # EC.presence_of_element_located((By.LINK_TEXT, '好123')) 表示通过链接文本内容定位标签 # 每0.5秒一次检查，通过链接文本内容定位标签是否存在，如果存在就向下继续执行；如果不存在，直到20秒上限就抛出异常 print(driver.find_element_by_link_text('好123').get_attribute('href')) driver.quit()

手动实现页面等待

原理：

• 利用强制等待和显式等待的思路来手动实现
• 不停的判断或有次数限制的判断某一个标签对象是否加载完毕（是否存在）

示例：

import time from selenium import webdriver driver = webdriver.Chrome('/home/worker/Desktop/driver/chromedriver') driver.get('www.taobao/') time.sleep(1) # i = 0 # while True: for i in range(10): i += 1 try: time.sleep(3) element = driver.find_element_by_xpath('//div[@class="shop-inner"]/h3[1]/a') print(element.get_attribute('href')) break except: js = 'window.scrollTo(0, {})'.format(i*500) # js语句 driver.execute_script(js) # 执行js的方法 driver.quit()  6.6 selenium开启无界面模式

绝大多数服务器是没有界面的，selenium控制谷歌浏览器也存在无界面模式，开启无界面模式（又称之为无头模式）

开启无界面模式：

实例化配置对象

options = webdriver.ChromeOptions()

配置对象添加开启无界面模式的命令

options.add_argument("--headless")

配置对象添加禁用gpu的命令

options.add_argument("--disable-gpu")

实例化带有配置对象的driver对象

driver = webdriver.Chrome(chrome_options=options)

from selenium import webdriver options = webdriver.ChromeOptions() # 创建一个配置对象 options.add_argument("--headless") # 开启无界面模式 options.add_argument("--disable-gpu") # 禁用gpu # options.set_headles() # 无界面模式的另外一种开启方式 driver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象 driver.get('movie.douban/') print(driver.title) driver.quit() 6.7 selenium使用代理ip

实例化配置对象

options = webdriver.ChromeOptions()

配置对象添加使用代理ip的命令

options.add_argument('--proxy-server=202.20.16.82:9527')

实例化带有配置对象的driver对象

driver = webdriver.Chrome('./chromedriver', chrome_options=options)

示例：

from selenium import webdriver options = webdriver.ChromeOptions() # 创建一个配置对象 options.add_argument('--proxy-server=202.20.16.82:9527') # 使用代理ip driver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象 driver.get('movie.douban/') print(driver.title) driver.quit() 6.8 selenium替换user-agent

实例化配置对象

options = webdriver.ChromeOptions()

配置对象添加替换UA的命令

options.add_argument('--user-agent=Mozilla/5.0 HAHA')

实例化带有配置对象的driver对象

driver = webdriver.Chrome('./chromedriver', chrome_options=options)

示例：

from selenium import webdriver options = webdriver.ChromeOptions() # 创建一个配置对象 options.add_argument('--user-agent=Mozilla/5.0 HAHA') # 替换User-Agent driver = webdriver.Chrome('./chromedriver', chrome_options=options) driver.get('movie.douban/') print(driver.title) driver.quit()

本文标签： 爬虫Pythonselenium