100天精通Python（爬虫篇）——第47天：selenium自动化操作浏览器

Posted 2022-08-02 无羡ღ

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了100天精通Python（爬虫篇）——第47天：selenium自动化操作浏览器相关的知识，希望对你有一定的参考价值。

文章目录

每篇前言
一、Selenium框架环境搭建
- 1. 下载模块
- 2. 安装浏览器驱动WebDriver
二、基础操作
三、进阶操作
四、书籍推荐

每篇前言

🏆🏆作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6

🔥🔥本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》
📝📝此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
🎉🎉订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进两百人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！

一、Selenium框架环境搭建

Selenium 是一个用于测试 Web 应用程序的框架，该框架测试直接在浏览器中运行，就像真实用户操作一样。在爬虫领域 selenium 同样是一把利器，能够解决大部分的网页的反爬问题。Selenium 可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生。

1. 下载模块

1. window电脑点击win键+ R，输入：cmd

2. 安装selenium，输入对应的pip命令：pip install selenium

2. 安装浏览器驱动WebDriver

Selenium 库里有个叫 WebDriver 的 API。WebDriver 有点儿像可以加载网站的浏览器，但是它也可以像 BeautifulSoup 或者其他 Selector 对象一样用来查找页面元素，与页面上的元素进行交互 (发送文本、点击等)，以及执行其他动作。

Chrome浏览器驱动下载地址：http://chromedriver.storage.googleapis.com/index.html

Firefox浏览器驱动下载地址：https://github.com/mozilla/geckodriver/releases/

Edge浏览器驱动下载地址：：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/#downloads

PhantomJS安装教程（无界面浏览器，它会把网站加载到内存并执行页面上的 javascript，因为不会展示图形界面，所以运行起来比完整的浏览器要高效）：PhantomJS浏览器下载安装、配置环境变量及使用教程

注意：需要下对应浏览器版本的驱动，下载安装步骤如下：

1. 确定浏览器的版本：
2. 找到最相近的那个点击，下载对应的Chrome驱动版本：
3. 选择合适的操作系统：
4. 安装包解压后放进Python安装路径下：

二、基础操作

1. 打开浏览器

操作 Chrome 浏览器：

from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Chrome()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

操作 Firefox 浏览器：

from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Firefox()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

操作 Edge 浏览器：

from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Edge()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

操作 PhantomJS 浏览器：

from selenium import webdriver

# 初始化浏览器
browser = webdriver.PhantomJS()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

2. 无界面模式

Headless 模式是 Chrome 浏览器的无界面形态，可以在不打开浏览器的前提下，使用所有 Chrome 支持的特性运行我们的程序

from selenium import webdriver

# 1. 实例化配置对象
chrome_options = webdriver.ChromeOptions()
# 2. 配置对象添加开启无界面命令
chrome_options.add_argument('--headless')
# 3. 配置对象添加禁用gpu命令
chrome_options.add_argument('--disable-gpu')
# 4. 实例化带有配置对象的browser 对象
browser = webdriver.Chrome(chrome_options=chrome_options)

browser.get('https://www.baidu.com/')

# 查看请求的数据
print(browser.page_source)  # 查看渲染后的数据，就可以Xpath进行解析获取数据了
print(browser.get_cookies())  # 查看请求页面后的cookies值
print(browser.current_url)  # 查看请求url

# 关闭页面
browser.close()
# 关闭浏览器
browser.quit()

3. 元素定位

通过selenium的基本使用可以简单操作浏览器了，接下来我们再来学习下定位元素的其他方法

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

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
url = 'https://www.xxx.com/'
browser.get(url)
html_str = browser.page_source

假设访问地址某网址，返回 html_str 为如下内容：

<div class="panel">
    <div class="panel-heading">
        <h4>Hello</h4>
    </div>
    <div class="panel_body">
        <ul class="list" id="list-1" name="element">
            <li class="element">Foo</li>
            <li class="element">Bar</li>
            <li class="element">Jay</li>
        </ul>
        <ul class="list list-small" id="list-2">
            <li class="element">Foo</li>
                <a href="https://www.baidu.com">百度官网</a>
            <li class="element">Bar</li>
        </ul>
    </div>
</div>

1.根据 id 属性值获取元素列表：

from selenium.webdriver.common.by import By

# 获取第一个元素
browser.find_element(by=By.ID, value="list-1")
# 获取多个元素
browser.find_elements(by=By.ID, value="list-1")

2. 根据 class 获取元素列表：

# 获取第一个元素
browser.find_element(by=By.CLASS_NAME, value="element")
# 获取多个元素
browser.find_elements(by=By.CLASS_NAME, value="element")

3. 根据Xpath获取元素列表：

# 返回标签为li，id为element的所有元素
browser.find_element(by=By.XPATH, value="//li[@id='element']")
browser.find_elements(by=By.XPATH, value="//li[@id='element']")

4. 根据标签的文本获取元素列表（精确定位）：

# 获取一个元素
browser.find_element(by=By.LINK_TEXT, value="Foo")
# 获取多个元素
browser.find_elements(by=By.LINK_TEXT, value="Foo")

5. 根据标签包含的文本获取元素列表（模糊定位）：

# 获取一个元素
browser.find_element(by=By.PARTIAL_LINK_TEXT, value="Fo")
# 获取多个元素
browser.find_elements(by=By.PARTIAL_LINK_TEXT, value="Fo")

6. 根据标签名获取元素列表：

# 获取一个元素
browser.find_element(by=By.TAG_NAME, value="li")
# 获取多个元素
browser.find_elements(by=By.TAG_NAME, value="li")

4. 元素操作

1. 获取文本（通过定位获取的标签对象的text属性，获取文本内容）：element.text

ret = browser.find_element_by_class_name('element')
print(ret[0].text)

2. 获取属性值（通过定位获取的标签对象的get_ attribute 函数，传入属性名，来获取属性的值）：

ret = browser.find_element_by_tag_name('a')
print(ret[0].get_attribute('href'))

5. 前进后退

# 前进
browser.forward()

# 后退 
browser.back()

6. 执行js

selenium可以让浏览器执行我们规定的js代码：browser.execute_script(js)

from selenium import webdriver

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

js = 'window.scrol1To(O,document.body.scrollHeight)'  # js语句
browser.execute_script(js) # 执行js的方法

browser.quit()

7.页面等待

现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。

为了避免这种元素定位困难而且会提高产生 ElementNotVisibleException 的概率。所以 Selenium 提供了两种等待方式，一种是隐式等待，一种是显式等待。

隐式等待是等待特定的时间，显式等待是指定某一条件直到这个条件成立时继续执行。

隐式等待（常用）

隐式等待针对的是元素定位，隐式等待设置了一个时间，在一段时间内判断元素是否定位成功，如果完成了，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

from selenium import webdriver

driver = webdriver.Chrome()
driver.implicitly_wait(10) # 隐式等待10秒
driver.get('https://www.baidu.com/')
myDynamicElement = driver.find_element_by_id("input")

显式等待（了解）

显式确定等待指定某个元素，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会抛出异常了。

from selenium import webdriver
from selenium.webdriver.common.by import By
# WebDriverWait 库，负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
# expected_conditions 类，负责条件出发
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()
driver.get('https://www.baidu.com/')
try:
    # 页面一直循环，直到 id="input" 出现
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "input"))
    )
finally:
    driver.quit()

三、进阶操作

1. 使用代理ip

selenium控制浏览器也是可以使用代理ip的。

from selenium import webdriver
import time

# 1. 实例化配置对象
options = webdriver.ChromeOptions()
# 2. 配置对象添加使用代理ip的命令
options.add_argument('--proxy-server=http://ip地址')  # 代理IP:端口号
# 3. 实例化带有配置对象的driver对象
driver = webdriver.Chrome(chrome_options=options)
driver.get("https://www.baidu.com")

# 获取页面内容
print(driver.page_source)

# 延迟3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
driver.close()

2. 修改请求头

selenium可以修改请求头，伪装不同浏览器

from selenium import webdriver
import time

agent = 'Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (KHTML, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1'
# 1. 实例化配置对象
options = webdriver.ChromeOptions()
# 2. 配置对象修改请求头
options.add_argument('--user-agent=' + agent)
# 3. 实例化带有配置对象的driver对象
driver = webdriver.Chrome(chrome_options=options)
driver.get("https://www.baidu.com")

# 获取页面内容
print(driver.page_source)

# 延迟3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
driver.close()

3. 隐藏浏览器指纹特征

selenium 操作浏览器，有几十个特征可以被网站检测到，轻松的识别出你是爬虫。

正常情况手动打开浏览器，输入网址https://bot.sannysoft.com/：

selenium 无界面模式打开浏览器：

from selenium import webdriver


chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
driver = webdriver.Chrome(chrome_options=chrome_options)

driver.get('https://bot.sannysoft.com/')

# 对当前页面进行截图
driver.save_screenshot('1.png')

生成图片：

很明显就已经被网站发现是爬虫了！

解决浏览器指纹特征关键，实际就是一个 stealth.min.js 文件，通过Python执行这个js文件可以隐藏浏览器指纹

stealth.min.js文件下载地址：关注文末公众号，回复：隐藏浏览器指纹

添加请求头 + 执行 stealth.min.js 文件进行隐藏浏览器指纹：

from selenium import webdriver

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 添加请求头伪装浏览器
chrome_options.add_argument(
    'user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36')
driver = webdriver.Chrome(chrome_options=chrome_options)

with open('stealth.min.js') as f:
    js = f.read()

driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", 
    "source": js
)

driver.get('https://bot.sannysoft.com/')
driver.save_screenshot('2.png')

运行结果：

通过执行 stealth.min.js 进行隐藏浏览器指纹，已经和正常访问一样了！

四、书籍推荐

书籍展示：《人工智能原理与实践》

【书籍内容简介】

涵盖人工智能和数据科学各个重要体系，通过算法中最重要的理论推导和精华分析+六大典型AI和数据科学应用场景，深入浅出地讲解和展示机器学习应用的具体流程。
全面：涵盖人工智能和数据科学各个重要体系经典：世界名校AI专业深造，国际大行实战经验系统：重要理论和公式层层推导，阐述深入浅出实战：六大典型AI和数据科学应用场景，透彻分析和代码实现

京东自营：https://item.jd.com/13156145.html

以上是关于100天精通Python（爬虫篇）——第47天：selenium自动化操作浏览器的主要内容，如果未能解决你的问题，请参考以下文章

100天精通Python（爬虫篇）——第46天：爬虫解析器BeautifulSoup4

100天精通Python（基础篇）——第29天：标准库sys

100天精通Python（基础篇）——第1天：Python和Vscode环境安装

100天精通Python（数据分析篇）——第51天：numpy函数进阶

100天精通Python（数据分析篇）——第52天：numpy完结

100天精通Python（数据分析篇）——第53天：初始pandas模块