【一塊兒學爬蟲】Selenium庫詳解

時間  2019-11-08
標籤 一塊兒學爬蟲 selenium 詳解 欄目 網絡爬蟲 简体版
原文   原文鏈接

什麼是Selenium

主要用於自動化測試工具，支持多瀏覽器：chrome，Firefox，Android瀏覽器等，主要用於驅動瀏覽器，給瀏覽器發一些指令，讓瀏覽器執行各類動做：輸入、跳轉、點擊、下拉等操做。它在爬蟲中主要解決javaScript渲染問題，徹底模擬網頁的加載。php

在作爬蟲的時候若是遇到Request、urllib沒法正常獲取網頁內容，那麼這多是JavaScript渲染導致的問題，這時使用Selenium能夠完成渲染，即模擬瀏覽器完整的操做，以後獲取到的源代碼就是網頁渲染後的源代碼，能夠徹底解決javaScript渲染問題。css

安裝

基本使用

下面是一個簡單實例代碼：html

from selenium import webdriver#瀏覽器驅動對象
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

browser = webdriver.Chrome()#chrom瀏覽器驅動對象
try:
    browser.get('https://www.baidu.com')#傳入url，此時會跳出瀏覽器，訪問百度網址
    input = browser.find_element_by_id('kw') #找出id爲kw元素
    input.send_keys('Python')#kw中發送python
    input.send_keys(Keys.ENTER)#回車
    wait = WebDriverWait(browser, 10)#等待加載完成
    wait.until(EC.presence_of_element_located((By.ID, 'content_left')))#等待content_left加載完成
    print(browser.current_url)
    #print(browser.get_cookies())
    #print(browser.page_source)
finally:
    browser.close()
複製代碼

輸出的當前網頁url其實就是咱們搜索關鍵詞時瀏覽器地址欄的地址： www.baidu.com/s?ie=utf-8&…java

pageSource太長了就沒打印 (1)聲明瀏覽器對象python

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()
複製代碼

(2) 訪問頁面jquery

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
print(browser.page_source)
browser.close()
複製代碼

(3)查找單個元素 獲取到網頁源碼後，可能須要進行一些交互的操做：輸入框、按鈕點擊之類的。web

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element_by_id('q')
input_second = browser.find_element_by_css_selector('#q')
input_third = browser.find_element_by_xpath('//*[@id="q"]')
print(input_first, input_second, input_third)#三個結果同樣
browser.close()
複製代碼

輸出的三個結果實際上是同樣的，也就是可使用不一樣的方法找元素面試

<selenium.webdriver.remote.webelement.WebElement (session="5e53d9e1c8646e44c14c1c2880d424af", element="0.5649563096161541-1")> 
<selenium.webdriver.remote.webelement.WebElement (session="5e53d9e1c8646e44c14c1c2880d424af", element="0.5649563096161541-1")> 
<selenium.webdriver.remote.webelement.WebElement (session="5e53d9e1c8646e44c14c1c2880d424af", element="0.5649563096161541-1")>
複製代碼

經常使用的查找單個元素方法：chrome

  • 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 上面這些方法能夠經過一個統一的方式使用：
from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element(By.ID, 'q')
print(input_first)
browser.close()
複製代碼

（4）查找多個元素api

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
lis = browser.find_elements_by_css_selector('.service-bd li')
print(lis)
browser.close()
複製代碼

下面與上面方式同樣：

from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
lis = browser.find_elements(By.CSS_SELECTOR, '.service-bd li')#列表
print(lis)
browser.close()
複製代碼

經常使用的查找多個元素方法：

  • 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 (5)元素的交互操做
from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')
input.send_keys('iPhone')
time.sleep(1)#等待1秒
input.clear()
input.send_keys('iPad')搜索IPad
button = browser.find_element_by_class_name('btn-search')
button.click()
複製代碼

上面程序含義是：在淘寶中搜索「iPad」，那麼爲何是find_element_by_id('q')呢？q又是從何而來的呢？咱們打開淘寶首頁，郵件，審查元素，鼠標點擊淘寶的搜索框，以下圖所示：

這就是id爲‘q’的由來。當咱們在淘寶搜索iPhone時，再次點擊郵件->檢查，結果以下圖所示：
這就是‘q’的由來。 另外，btn-search是怎麼來的呢？
另外，實際測試中發現填寫：tb-bg也是能夠的

更多操做: selenium-python.readthedocs.io/api.html#mo…

(6)交互動做 和上面的元素交互動做是不一樣的：

  • 元素交互動做須要先獲取一個特定的元素，調用相應的方法完成響應動做
  • 這裏是將動做附加到動做鏈中串行執行 好比人機驗證時的拖拽：
from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
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()
複製代碼

上面的draggable和droppable都來自上圖，執行後就將小方框拖動到大方框中了

更多操做: selenium-python.readthedocs.io/api.html#mo…

執行JavaScript

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')
複製代碼

(7)獲取元素屬性、文本值

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.text)#文本值
print(logo.get_attribute('class'))
複製代碼

輸出：

知乎 zu-top-link-logo

獲取ID、位置、標籤名、大小

from selenium import webdriver

browser = webdriver.Chrome()
url = 'https://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)
複製代碼

輸出：

0.6822924344980397-1 {'y': 7, 'x': 774} button {'height': 32, 'width': 66}

Frame

Frame在網頁中可能出現比較頻繁，可是若是出現了Frame，在作元素篩選的時候會致使一些不太方便的問題：有些Frame相對於一個獨立的網頁，在父級的Frame中，想查找子元素的Frame，實際上必須切換到Frame中才能進行查找，不然是不能完成元素的查找。

好比以前拖拽案例中的源代碼：

整個拖拽是在一個iframe中，可是若是咱們在這個iframe中想要獲取外面的那些元素，獲取時可能彙報錯誤，好比在拖拽那個iframe中嘗試獲取logo class，此時彙報找不到該元素的錯誤：

import time
from selenium import webdriver
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.switch_to.frame('iframeResult')#切換到拖拽那個iframe中
source = browser.find_element_by_css_selector('#draggable')
print(source.text)#
try:
    logo = browser.find_element_by_class_name('logo')#嘗試找外面的元素
except NoSuchElementException:
    print('NO LOGO')#沒找到
browser.switch_to.parent_frame()#切換到父iframe查找
logo = browser.find_element_by_class_name('logo')
print(type(logo))
print(logo.text)
複製代碼

輸出： 請拖拽我！

NO LOGO
<class 'selenium.webdriver.remote.webelement.WebElement'>
RUNOOB.COM
複製代碼

不能在子frame查找父frame中的元素 ###等待 咱們在爬取數據的時候可能會有一些Ajax請求，這些Ajax請求不會管Selenium是否完成了網頁的加載，也就是說：Selenium只是把基本的框架給加載出來了，若是有一些後續的Ajax請求等其餘的操做，可能會出現有部分元素沒有加載徹底，在沒加載完時進行操做會致使一些問題的出現。因此，咱們須要加一些等待，確保元素都完成加載後在進行一些操做，這樣能夠減小異常。

等待分爲兩種：顯式等待和隱式等待。 （1）隱式等待 當使用了隱式等待執行測試的時候，若是 WebDriver沒有在 DOM中找到元素，將繼續等待，超出設定時間後則拋出找不到元素的異常, 換句話說：當查找元素或元素並無當即出現的時候，隱式等待將等待一段時間再查找 DOM，默認的時間是0

from selenium import webdriver

browser = webdriver.Chrome()
browser.implicitly_wait(10)#隱式等待時間10秒
browser.get('https://www.zhihu.com/explore')
#當網速比較慢時會出現下面的元素沒加載出來
input = browser.find_element_by_class_name('zu-top-add-question')
print(input)
複製代碼

（2）顯示等待

  • 指定一個等待條件
  • 指定一個最長等待時間 在最長等待時間內判斷條件是否成立，若是成立則當即返回；不然一直等待到最長等待時間，超時會拋出異常。 經常使用的等待條件：

title_is 標題是某內容 title_contains 標題包含某內容 presence_of_element_located 元素加載出，傳入定位元組，如(By.ID, 'p') visibility_of_element_located 元素可見，傳入定位元組 visibility_of 可見，傳入元素對象 presence_of_all_elements_located 全部元素加載出 text_to_be_present_in_element 某個元素文本包含某文字 text_to_be_present_in_element_value 某個元素值包含某文字 frame_to_be_available_and_switch_to_it frame加載並切換 invisibility_of_element_located 元素不可見 element_to_be_clickable 元素可點擊 staleness_of 判斷一個元素是否仍在DOM，可判斷頁面是否已經刷新 element_to_be_selected 元素可選擇，傳元素對象 element_located_to_be_selected 元素可選擇，傳入定位元組 element_selection_state_to_be 傳入元素對象以及狀態，相等返回True，不然返回False element_located_selection_state_to_be 傳入定位元組以及狀態，相等返回True，不然返回False alert_is_present 是否出現Alert

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)#最長等待時間
#等待條件
input = wait.until(EC.presence_of_element_located((By.ID, 'q')))
#等待條件
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))
print(input, button)
複製代碼

詳細等待條件介紹：selenium-python.readthedocs.io/api.html#mo…

瀏覽器的前進和後退

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com/')
browser.get('https://www.taobao.com/')
browser.get('https://www.python.org/')
browser.back()
browser.back()
time.sleep(1)
browser.forward()
browser.close()
複製代碼

cookies 尤爲在登錄後的爬取，設置登陸的狀態。

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())
複製代碼

瀏覽器選項卡的操做 新增瀏覽器選項卡：最簡單的就是經過js打開新的選項卡；另外就是經過模擬鍵盤按鍵（瀏覽器能夠經過快捷鍵打開選項卡），不太通用，不一樣瀏覽器快捷方式不同：

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')#第一個選項卡打開百度
browser.execute_script('window.open()')
print(browser.window_handles)#返回的全部窗口的引用
browser.switch_to_window(browser.window_handles[1])#切換到第二個選項卡
browser.get('https://www.taobao.com')#第二個選項卡切換到淘寶
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])#切換第一個選項卡
browser.get('https://python.org')#第一個選項卡切換到python
複製代碼

異常處理 例如：某個元素沒法點擊異常、加載超時異常、沒有找到元素的異常，各種異常最好查看官方文檔：

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException

browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
except TimeoutException:#超時異常
    print('Time Out')
try:
    browser.find_element_by_id('hello')
except NoSuchElementException:#好不到元素的異常
    print('No Element')
finally:
    browser.close()
複製代碼

exception的詳細介紹文檔： selenium-python.readthedocs.io/api.html#mo…

資料分享

java學習筆記、10T資料、100多個java項目分享

歡迎關注我的公衆號【菜鳥名企夢】，公衆號專一：互聯網求職面經、java、python、爬蟲、大數據等技術分享**： 公衆號**菜鳥名企夢後臺發送「csdn」便可免費領取【csdn】和【百度文庫】下載服務； 公衆號菜鳥名企夢後臺發送「資料」:便可領取5T精品學習資料**、java面試考點和java面經總結，以及幾十個java、大數據項目，資料很全，你想找的幾乎都有

掃碼關注，及時獲取更多精彩內容。（博主今日頭條大數據工程師）
相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程