python动态渲染页面爬取Selenium的具体使用

Posted 2023-02-26 zhi_neng

上文我们讲了六个方面，下面我们继续介绍Selenium的使用方法。在上面的实例中，一些交互动作嗾使针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有一些另外的操作可以使用，具体下面讲解。

7.动作链

动作链就是一些没有特定执行对象，这些动作作用需要用另一种方式来执行，比如：鼠标拖拽、键盘按键等。我们现在要实现一个节点的拖拽操作，将某一个节点从一处拖拽到另外一边，可以这样实现：

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()

首先打开网页中的一个拖拽实例，然后依次选中要拖拽的节点和拖拽的目标节点，接着声明ActionsChains对象并将其赋值actions变量，然后通过调用actions变量的drag_and_drop()方法，在调用perform()方法执行动作，此时就完成了拖拽的操作，具体如下图。

大家可以代码自己演示一下，更多的动作链可以参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

8.执行JavaScript操作

对于某些操作，SeleniumAPI并没有提供。比如，下拉进度条，它可以直接模拟运行javascript，此时使用execute_script()方法即可实现，代码如下：

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 Buttom")')

这里就利用execute_script()方法将进度条下拉到最底部，然后弹出alert提示框。有了这个方法，基本上API没有提供的所有功能都可以用执行JavaScript的方式来实现了。

9.获取节点信息

前面说过，通过page_source属性可以获取网页的源代码，接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery等）来提取信息了。

不过，既然Selenium已经提供了选择节点的方法，返回的是WebElement类型，那么它也有相关的方法和属性直接提取节点信息，如属性、文本等。这样的话，我们就可以不用通过解析源代码来提取信息了，非常方便。

接下来，就看看通过怎样的方式来获取节点信息吧。

1）获取属性

我们可以使用get_attribute()方法来获取节点的属性，但是其前提是先选中这个节点，示例如下：

from selenium import webdriver
from selenium.webdriver import ActionChains


browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
button = browser.find_element_by_xpath('//*[@id="special"]/div[2]/div/div[1]/div[4]/button')
print(button)
print(button.get_attribute('class'))

运行之后，程序便会驱动浏览器打开知乎页面，然后获取知乎的登录按钮button节点，最后打印出它的class。运行的结果如下：

<selenium.webdriver.remote.webelement.WebElement (session="54af8eb8e88f1b82e8c095ed45f12238", element="e2fbb66d-145f-44fb-bfd6-ad21db829910")>
Button ExploreHomePage-specialsLoginButton

通过get_attribute()方法，然后传入想要获取的属性名，就可以得到它的值了。

2）获取文本值

每个WebElement节点都有text属性，直接调用这个属性就可以得到节点内部的文本信息，这相当于Beautiful Soup的get_text()方法，pyquery的text()方法，具体事例如下：

from selenium inport wendriver

browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
button = browser.find_element_by_xpath('//*[@id="root"]/div/div[2]/header/div[1]/div[2]/div/div/button[2]')
print(button.text)

这里依然先打开知乎页面，然后获取‘加入知乎’这个按钮的节点，再将其文本值打印出来。

控制台的输出结果如下：

加入知乎

3）获取id、位置、标签名和大小

另外，WebElement节点还有一些其他属性，比如id属性可以获取节点id，location属性可以获取该节点在页面中的相对位置，tag_name属性可以获取标签名称，size属性可以获取节点的大小，也就是宽高，这些属性有时候还是很有用的。示例如下：

from selenium import webdriver
from selenium.webdriver import ActionChains


browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
button = browser.find_element_by_xpath('//*[@id="root"]/div/div[2]/header/div[1]/div[2]/div/div/button[2]')
print(button.id)
print(button.location)
print(button.tag_name)
print(button.size)

这里首先获得“加入知乎”按钮这个节点，然后调用其id、location、tag_name、size属性来获取对应的属性值。运行结果如下：

b2417cda-603e-4ff2-826a-343168d8ce5e
'x': 926, 'y': 9
button
'height': 34, 'width': 90

10.切换Frame

我们知道网页中有一种节点叫作iframe，也就是子Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。Selenium打开页面后，它默认是在父级Frame里面操作，而此时如果页面中还有字Frame，它是不能获取到子Frame里面的节点的，这时候就需要使用switch_to.frame()方法来切换Frame。示例如下：

from selenium import webdriver
import time
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')
try:
    logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    print('No Logo!')
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

控制台的输出结果如下：

No Logo!
<selenium.webdriver.remote.webelement.WebElement (session="4fbfc6797c2c3d83f697fe2194b83566", element="b4715139-f3ae-4960-bcd9-ac2ec1e7d371")>
RUNOOB.COM

这里还是以前面演示动作链操作的网页为实例，首先通过switch_to.frame()方法切换到子Frame里面，然后尝试获取父级Frame里的logo节点（这是不能找到的），如果找不到的话，就会抛出NoSuchElementException异常，异常被捕获之后，就会输出No Logo!。接下来，重新切换会父级Frame，然后再次重新获取节点，发现此时可以成功获取了。

11.延时等待

在Selenium中，get()方法会网页框架加载结束后结束执行，此时如果获取page_source，可能并不是是浏览器完全加载完成的页面，如果某些页面有额外的ajax请求，我们在网页源代码中也不一定能够成功获取到。所以，这里需要延时等待一段时间，确保节点完全加载出来。

这里等待的方式有两种：一种是隐式等待，一种是显式等待。

1）隐式等待

当使用隐式等待执行测试的时候，如果Selenium没有在DOM中找到节点，将继续等待，超出设定时间后，则抛出找不到节点的异常。换句话说，当查找节点而节点没有立即找到的时候，隐式等待将等待一段时间后再次查找DOM，默认的时间是0。示例如下：

from selenium import webdriver


browser = webdriver.Chrome()
browser.implicitly_wait(10)
browser.get('https://www.zhihu.com/explore')
button = browser.find_element_by_xpath('//*[@id="root"]/div/div[2]/header/div[1]/div[2]/div/div/button[2]')
print(button)

这里我们使用implicitly_wait()方法实现了隐式等待。

2）显式等待

隐式等待的效果其实并没有那么好，因为我们只规定了一个固定时间，而页面的加载时间会受到网络条件的影响。

这里还有一种更合适的显式等待方法，它制定要查找的节点，然后制定一个最长等待时间。如果在规定时间内加载出来了这个节点，就返回查找的节点；如果到了规定时间依然没有加载出该节点，则抛出异常。示例如下：

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)
input = wait.until(EC.presence_of_all_elements_located((By.ID,'q')))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'.btn-search')))
print(input,button)

这里首先引入WebDriverWait对象，指定最长的等待时间，然后调用它的until()方法，传入要等待条件expected_conditions。比如，这里传入了presence_of_element_located这个条件，代表节点出现的意思，其参数是节点的定位元组，也就是ID为q的节点搜索框。

这样可以做到的效果就是，在10秒内如果ID为q的节点（即搜索框）成功加载出来，就返回该节点；如果超过10秒还没有加载出来，就抛出异常。

对于按钮，可以更改一下等待条件，比如改为element_to_be_clickable，也就是可点击，所以查找按钮时查找CSS选择器.btn-search的按钮，如果10秒内它是可点击的，也就是成功加载出来了，就返回这个按钮节点；如果超过10秒还不可点击，也就是没有加载出来，就抛出异常。

运行代码，在网速较佳的情况下式可以成功加载出来的。控制台的输出结果如下：

[<selenium.webdriver.remote.webelement.WebElement (session="964bb83b648567bed5a4b6177d2dc2c0", element="adafdb84-4344-4331-b4e0-0f25c7165979")>] <selenium.webdriver.remote.webelement.WebElement (session="964bb83b648567bed5a4b6177d2dc2c0", element="2726cc03-9809-47c2-b93e-f87a5ebb491f")>

可以看到控制台输出了两个结果，他们都是WebElement类型。

如果网络有问题，10秒没有成功加载出来，那么就会抛出TimeoutException异常，此时控制台的输出如下：

TimeoutException Traceback(most recent call last)

关于等待条件，其实还有很多，比如判断标题内容，判断某个节点内是否出现了某文字等。

等待条件	含义
titile_is	标题是某内容
title_contains	标题包含某内容
presence_of_element_located	节点加载出来，出入定位元组，如（By.ID，'p'）
visibility_of_element_located	节点可见，传入定位元组
visibility_of	可见，传入节点对象
presence_of_all_elements_locateds	所有节点加载出来
text_to_be_present_in_element	某个节点文本包含某文字
text_to_be_present_in_element_value	某个节点值包含某文字
frame_to_be_available_and_switch_to_it	加载并切换
invisibility_of_element_located	节点不可见
element_to_be_clickable	节点可点击
staleness_of	判断一个节点是否仍在DOM，可判断页面是否刷新
element_to_be_selected	节点可选择，传节点对象
element_located_to_be_selected	节点可选择，传入定位元组
element_selection_state_to_be	传入节点对象以及状态，相等返回TRUE，否则返回FALSE
element_located_selection_state_to_be	出入定位元组以及状态，相等返回TRUE，否则返回FALSE
alert_is_present	是否出现警告

关于更多等待条件的参数以及用法，可以参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions。

12.前进和后退

平常使用流浪器都有前进和后退功能，Selenium也可以完成这样的操作，它使用back()方法后退，使用forward()方法前进。比如下面：

from selenium import webdriver
import time


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

这里我们连续访问3个页面，然后调用back()方法回到第二个页面，接下来再调用forward()方法又可以前进到第三个页面。

13.Cookies

使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。示例如下：

from selenium import webdriver



browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie('name':'name','domai':'www.zhihu.com','value':'germey')
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

首先，我们访问了知乎。加载完成之后，浏览器实际上已经生成Cookies了。接着，调用get_cookies()方法获取所有的Cookies。然后，我们添加一个Cookies。可以发现，结果就多了这一项新加的Cookies。最后，调用delete_all_cookies()方法删除所有的Cookies。再重新获取，发现结果就为空了。

控制台的输出结果如下所示：

['domain': 'www.zhihu.com', 'httpOnly': False, 'name': 'KLBRSID', 'path': '/', 'secure': False, 'value': 'af132c66e9ed2b57686ff5c489976b91|1625394244|1625394243', 'domain': '.zhihu.com', 'expiry': 1656930244, 'httpOnly': False, 'name': 'Hm_lvt_98beee57fd2ef70ccdd5ca52b9740c49', 'path': '/', 'secure': False, 'value': '1625394244', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'Hm_lpvt_98beee57fd2ef70ccdd5ca52b9740c49', 'path': '/', 'secure': False, 'value': '1625394244', 'domain': '.zhihu.com', 'expiry': 1720002243, 'httpOnly': False, 'name': 'd_c0', 'path': '/', 'secure': False, 'value': '"AEAeS6VWXBOPTu6HoThIdYhShzbe22ykshc=|1625394243"', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '_xsrf', 'path': '/', 'secure': False, 'value': '28987f20-f1a3-434c-8032-32a2af3b4d24', 'domain': '.zhihu.com', 'expiry': 1688466243, 'httpOnly': False, 'name': '_zap', 'path': '/', 'secure': False, 'value': '809a51eb-5990-4d72-a409-81ea772bdd76']
['domain': 'www.zhihu.com', 'httpOnly': False, 'name': 'name', 'path': '/', 'secure': True, 'value': 'germey', 'domain': 'www.zhihu.com', 'httpOnly': False, 'name': 'KLBRSID', 'path': '/', 'secure': False, 'value': 'af132c66e9ed2b57686ff5c489976b91|1625394244|1625394243', 'domain': '.zhihu.com', 'expiry': 1656930244, 'httpOnly': False, 'name': 'Hm_lvt_98beee57fd2ef70ccdd5ca52b9740c49', 'path': '/', 'secure': False, 'value': '1625394244', 'domain': '.zhihu.com', 'httpOnly': False, 'name': 'Hm_lpvt_98beee57fd2ef70ccdd5ca52b9740c49', 'path': '/', 'secure': False, 'value': '1625394244', 'domain': '.zhihu.com', 'expiry': 1720002243, 'httpOnly': False, 'name': 'd_c0', 'path': '/', 'secure': False, 'value': '"AEAeS6VWXBOPTu6HoThIdYhShzbe22ykshc=|1625394243"', 'domain': 'www.zhihu.com', 'httpOnly': False, 'name': 'SESSIONID', 'path': '/', 'secure': False, 'value': '5YDM33GXDKglApBJNJeCdinC61o1qpzrfbXfLNpoCqt', 'domain': '.zhihu.com', 'httpOnly': False, 'name': '_xsrf', 'path': '/', 'secure': False, 'value': '28987f20-f1a3-434c-8032-32a2af3b4d24', 'domain': '.zhihu.com', 'expiry': 1688466243, 'httpOnly': False, 'name': '_zap', 'path': '/', 'secure': False, 'value': '809a51eb-5990-4d72-a409-81ea772bdd76']
[]

14.选项卡管理

在访问页面的时候，会开启一个个选项卡。在Selenium中，我们也可以对选项卡进行操作。示例如下：

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')
print(browser.window_handles)
browser.switch_to_window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])
browser.get('https://python.org')

首先访问了百度，然后调用execute_script()方法，这里传入window.open()这个JavaScript语句先开启一个选项卡。接下来，我们切换到该选项卡。这里调用window_handles属性获取当前开启的所有选项卡，返回的是选项卡的代号列表。要想切换选项卡，只需要调用switch_to_window()方法即可，其中参数是选项卡的代号。这里我们将第二个选项卡代号传入，即跳转到第二个选项卡，接下来在第二个选项卡下打开一个新的页面，然后切换回第一个选项卡重新调用switch_to_window()方法，再执行其他操作即可。

15.异常处理

在使用Selenium的过程中，难免会遇到一些异常，例如超时、节点未找到等错误，一旦出现此类错误，程序便不会继续运行了。这里我们可以使用try except语句来捕获各种异常。

首先，演示一下节点未找到的异常，示例如下：

from seleniunm import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.find_element_by_id('hello')

这里首先打开百度网址，然后尝试选择一个并不存在的节点，此时就会遇到异常。

运行之后控制台的输出如下：

selenium.common.exceptions.NoSuchElementException: Message: no such element: Unable to locate element: "method":"css selector","selector":"[id="hello"]"
  (Session info: chrome=91.0.4472.114)

可以看到这里抛出了NoSuchElementException异常，这通常是节点未找到的异常。为了防止程序遇到异常而中断，我们需要捕获这些异常，示例如下：

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



browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
except TimeoutError:
    print('Time Out')
try:
    browser.find_element_by_id('hello')
except NoSuchElementException:
    print('No Element')
finally:
    browser.close()

这里我们使用try_except来捕获各类异常。比如，我们对find_element_by_id()查找节点的方法捕获NoSuchElementException异常，这样一旦出现这样的错误，就进行异常处理，程序也不会中断了。

控制台输出的如下：

No Element

关于更多的异常类，可以参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions

到此处，我基本对Selenium的常规用法有了大致的了解。使用Selenium，处理JavaScript不再是难事。