爬虫学习笔记(十六)—— Selenium

Posted 别呀

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫学习笔记(十六)—— Selenium相关的知识,希望对你有一定的参考价值。

Selenium是一个主要用于Web应用程序自动化测试的工具集合,在行业内已经得到广泛的应用。

一、简介

1.1、作用

  1. 自动化测试
    通过它,我们可以写出自动化程序,模拟浏览器里操作web界面。 比如点击界面按钮,在文本框中输入文字等操作。
  2. 获取信息
    而且还能从web界面获取信息。 比如招聘网站职位信息,财经网站股票价格信息 等等,然后用程序进行分析处理。

1.2、运行环境

Selenium测试直接运行在浏览器中,就好像一个真正的用户在操作一样, 支持大部分主流的浏览器,包括IE,Firefox,Safari,Chrome,Opera等。

我们可以利用它来模拟用户点击访问网站,绕过一些复杂的认证场景。

通过selnium+驱动浏览器这种组合可以直接渲染解析js,绕过大部分的参数构造和反爬。


1.3、注意事项

新版本的Selenium已经不在支持phantomjs,原作者也已经放弃维护该项目了。

还有在做爬虫的时候尽量不要用这种方法,Selenium+浏览器的组合速度慢,应付不了数据量比较大的爬取以及并发爬取。并且很吃电脑资源。


二、基本使用

2.1、原理

1. WebDriver API(基于Java、Python、C#等语言)

对于Python语言来说,就是下载下来的selenium库。

2. 浏览器的驱动(browser driver)

每个浏览器都有自己的驱动,均以exe文件形式存在

https://chromedriver.storage.googleapis.com/index.html

比如谷歌的chromedriver.exe、火狐的geckodriver.exe、IE的IEDriverServer.exe

3. 浏览器

浏览器当然就是我们很熟悉的常用的各种浏览器。

那在WebDriver脚本运行的时候,它们之间是如何通信的呢?为什么同一个browser driver即可以处理java语言的脚本,也可以处理python语言的脚本呢?

让我们来看一下,一条Selenium脚本执行时后端都发生了哪些事情:

  1. 对于每一条Selenium脚本,一个http请求会被创建并且发送给浏览器的驱动
  2. 浏览器驱动中包含了一个HTTP Server,用来接收这些http请求
  3. HTTP Server接收到请求后根据请求来具体操控对应的浏览器
  4. 浏览器执行具体的测试步骤
  5. 浏览器将步骤执行结果返回给HTTP Server
  6. HTTP Server又将结果返回给Selenium的脚本,如果是错误的http代码我们就会在控制台看到对应的报错信息。

2.2、安装

2.2.1、selenium安装

终端输入命令:

pip  install selenium

2.2.2、浏览器驱动安装

chrome驱动下载地址:https://chromedriver.storage.googleapis.com/index.html

注意:每个驱动该对应每个浏览器;有时候浏览器会自动升级,导致浏览器不可用;


2.3、元素选取

2.3.1、find_element(s)by_…方法

在一个页面中有很多不同的策略可以定位一个元素。我们可以选择最合适的方法去查找元素。Selenium提供了下列的方法:

单个元素查找方法作用
find_element_by_xpath()通过Xpath查找
find_element_by_class_name()通过class属性查找
find_element_by_id()通过id属性查找
find_element_by_name()通过name属性进行查找
find_element_by_css_selector()通过css选择器查找 语法规则
find_element_by_link_text()通过链接文本查找
find_element_by_partial_link_text()通过链接文本的部分匹配查找
find_element_by_tag_name()通过标签名查找

: 其中的element加上一个s,则是对应的多个元素的查找方法.

示例:
注意:webdriver.Chrome()的参数是你驱动的位置,当然如果有放到python文件的Scripts下或者有添加到环境变量中就可以不用写

from selenium import webdriver

wb = webdriver.Chrome(r'D:\\SoftWare\\Python\\Python36\\Scripts\\chromedriver.exe')
wb.get('https://www.51zxw.net/List.aspx?cid=451')
#点击“首页”
#通过Xpath查找
home_page =wb.find_element_by_xpath('//div[@class="headLinks ml-10"]/a')
# 通过css选择器查找
# home_page =wb.find_element_by_css_selector('.headLinks a')
home_page.click()

结果展示:


2.3.2、By对象查找

By对象导入: from selenium.webdriver.common.by import By

除了以上的多种查找方式,还有两种私有方法集成了上面的所有的查找方法,让我们更方便的使用:

方法作用
find_element(By.XPATH, ‘//button/span’)通过Xpath查找一个
find_elements(By.XPATH, ‘//button/span’)通过Xpath查找多个

其中的第一个参数可以选择使用查找的方法,By.xxx使用xxx方式解析,解析方法如下:

  • ID:通过id属性查找
  • XPATH :通过Xpath查找
  • LINK_TEXT:通过链接文本查找
  • PARTIAL_LINK_TEXT :通过链接文本的部分匹配查找
  • NAME:通过name属性进行查找
  • TAG_NAME:通过标签名查找
  • CLASS_NAME:通过class属性查找
  • CSS_SELECTOR :通过css选择器查找

示例:

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

wb = webdriver.Chrome()  #驱动已经添加到环境变量,所以可以不用写参数
wb.get('https://www.51zxw.net/List.aspx?cid=451')

#通过Xpath查找
home_page = wb.find_element(By.XPATH,'//div[@class="headLinks ml-10"]/a')
home_page.click()

结果展示:


2.3.3、文本输入/提交

当我们需要通过selenium完成一个在网站中进行搜索的功能,前面我们已经知道了如何选取定位一个元素了,假如是定位到了一个输入框的元素,那么我们就要进行查询数据的输入和提交了。

方法作用
send_keys()文本输入
click()文本提交

示例:

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

wb = webdriver.Chrome()
wb.get('https://www.51zxw.net/List.aspx?cid=451')

#通过id属性定位到搜索框
home_page = wb.find_element_by_id("keyWordsT")
#搜索框输入 Python
home_page.send_keys('Python')
#定位到搜索按钮
submitbtn = wb.find_element_by_xpath('//button[@type="submit"]')
#点击搜索按钮
submitbtn.click()

结果展示:


三、动作切换

3.1、窗口切换

在开始讲解之前我们先来看一个示例:

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

wb = webdriver.Chrome()
wb.get('https://www.51zxw.net/List.aspx?cid=451')
print(wb.title)

openjs = 'window.open("https://www.csdn.net/")'
wb.execute_script(openjs)
print(wb.title)

结果:

程序开发-我要自学网
程序开发-我要自学网

通过结果我们可以看到,虽然浏览器给我们打开了第二个窗口并且停留在第二个窗口,但是其本质还是停留在第一个打开的窗口,因此我们需要进行窗口切换。

用selenium操作浏览器如果需要在打开新的页面,这个时候会有这个问题,因为我们用selenium操作的是第一个打开的窗口,所以新打开的页面我们是无法去操作的,所以我们要用到切换窗口:即handle切换的方法

方法作用
widgetjs = ‘window.open(“https://www.baidu.com”);’
chrome.execute_script(widgetjs )
打开新标签
window_handles获取所有页面窗口的句柄
current_window_handle获取当前页面窗口的句柄
switch_to.window(window_name)定位页面转到指定的window_name页面

注意

  • window_handles 的顺序并不是浏览器上标签的顺序,尽量避免多标签操作

示例:

from selenium import webdriver

wb = webdriver.Chrome()
wb.get('https://www.51zxw.net/List.aspx?cid=451')
print(wb.title)  #当前打印窗口的标题

openjs = 'window.open("https://www.csdn.net/")'
wb.execute_script(openjs)
print(wb.title)  #当前打印窗口的标题

print('所有页面窗口的句柄: ',wb.window_handles)  #打印所有页面窗口的句柄
print('当前页面窗口的句柄: ',wb.current_window_handle) #获取当前页面窗口的句柄

wb.switch_to.window(wb.window_handles[1])  #通过上面打印比较  定位页面转到第二个窗口页面
print(wb.title) #获取当前页面窗口的句柄

结果:

程序开发-我要自学网
程序开发-我要自学网     #我们还没切换句柄,所以是还是第一个窗口
所有页面窗口的句柄:  ['CDwindow-4ACAD14BE66BD92795930B70D8CA1FA7', 'CDwindow-C1D8821CFEBFE3A0C0AF456231EF2CB3']
当前页面窗口的句柄:  CDwindow-4ACAD14BE66BD92795930B70D8CA1FA7
CSDN - 专业开发者社区

由于很难知道其他页面对应的handle是什么,如果只有少数的标签也许还能应付,但是当打开了相当多标签时就很难对他们进行处理了,所以要尽量避免多标签的操作。


3.2、页面(frame)切换

在实际的爬虫中,明明定位的路径没问题,这个时候我们可以考虑一下是否是该页面存在frame的问题导有时候我们会遇到找不到元素的问题致的定位不到元素。

知识点补充:什么是frame呢?
frame是一个框架标签,通过使用框架可以在一个浏览器窗口中显示不止一个页面,也就是说,在一个窗口中展示多个页面,每个页面称之为一个框架,并且每个框架独立于其他的框架。这个frame标签一共有三种,分别是frameset、frame、iframe,frameset跟其他普通标签没有区别,不会影响到正常的定位,而frame与iframe对selenium定位而言是一样的,selenium有一组方法对frame进行操作。reference是传入的参数,用来定位frame,可以传入id、name、index以及selenium的WebElement对象

方法作用
switch_to.frame(frame_reference)切到指定frame,可用id或name(str)、index(int)、元素(WebElement)定位
switch_to.parent_frame()切到父级frame,如果已是主文档,则无效果, 相当于后退回去
switch_to.default_content()切换到主页面,DOM树最开始的frame

简单示例:

import time
from selenium import webdriver

wb = webdriver.Chrome()
wb.get('https://study.163.com/')

# 关闭页面弹出的小窗口
ok_btn = wb.find_element_by_xpath('//span[@class="ux-btn th-bk-main ux-btn- ux-btn- ux-modal-btn um-modal-btn_ok th-bk-main"]')
ok_btn.click()
# 登录窗口
login_btn = wb.find_element_by_xpath('//div[@class="go-login f-ib th-fs0fc6"]')
login_btn.click()

time.sleep(2)  #先等2秒,代码执行过快,登录输入框加载需要时间,否则会出错
# 切换frame
fr = wb.find_element_by_xpath('//iframe[@frameborder="0"]')
wb.switch_to.frame(fr)

# 账号输入框输入
name_input = wb.find_element_by_id('phoneipt')
name_input.send_keys('123456789')
# 密码输入
pwd_input = wb.find_element_by_xpath('//input[@class="j-inputtext dlemail"]')
pwd_input.send_keys('10987654321')

结果展示:


3.2、页面弹窗

有的时候还会遇到弹窗的问题, 主要有两种一种是浏览器弹窗(alert/prompt),另一种是自定义弹窗。自定义弹窗,就是一个自定义的div层,是隐藏页面中的,当触发了这个弹窗后,他就显示出来,这种方式我们通过正常的定位方式是可以定位到的。

alert弹窗,就要用下面的方法处理:

方法作用
switch_to.alert定位到alert弹窗,返回一个弹窗的对象
dismiss()对弹窗对象的取消操作(相当于点击弹窗上的取消按钮)
accept()对弹窗对象的确定操作(相当于点击弹窗上的确定按钮)
send_keys(key)对弹窗对象内的输入框输入数据(针对于prompt弹窗)
text获取弹窗内的文本

示例
测试html代码:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>selenium</title>
</head>
<body>
    <input id="alert" value="alert" type="button" onclick="alert('this is alert!!!')">
    <input id="confirm" value="confirm" type="button" onclick="confirm('this is confirm!!!')">
    <input id="prompt" value="prompt" type="button" onclick="var name = prompt('请输入用户名:','请输入');document.write(name)">
</body>
</html>

效果:

python代码:

import time
from selenium import webdriver

wb = webdriver.Chrome()
wb.get(r'D:\\html test\\一些示例\\ex.html')
# alert 弹窗
wb.find_element_by_id("alert").click()
alert_tag = wb.switch_to.alert
print(alert_tag.text)
time.sleep(2)   #稍微延迟下,看得比较直观
alert_tag.accept()

# prompt 弹窗
# 
# wb.find_element_by_id("prompt").click()
# prompt_tag = wb.switch_to.alert
# print(prompt_tag.text)
# prompt_tag.send_keys('hello world!!!')
# time.sleep(2)  #稍微延迟下,看得比较直观
# prompt_tag.accept()


# confirm 弹窗
# 
# wb.find_element_by_id("confirm").click()
# confirm_tag = wb.switch_to.alert
# print(confirm_tag.text)
# time.sleep(2)   #稍微延迟下,看得比较直观
# confirm_tag.accept()

结果展示(这里我就只演示一个):

打印结果:

this is alert!!!

四、等待

4.1、简介

在selenium操作浏览器的过程中,每一次请求url,selenium都会等待页面加载完成以后,才会将操作权限在交给我们的程序。

​但是,由于ajax和各种JS代码的异步加载问题,当一个页面被加载到浏览器时,该页面内的元素可以在不同的时间点被加载,这就使得元素的定位变得十分困难,当元素不再页面中时,使用selenium去查找的时候会抛出ElementNotVisibleException异常。

​ 为了解决这个问题,selenium提供了两种等待页面加载的方式,显示等待隐式等待,让我们可以等待元素加载完成后在进行操作。


4.2、显式等待

显式等待: 显式等待指定某个条件,然后设置最长等待时间,程序每隔XX时间看一眼,如果条件成立,则执行下一步,否则继续等待,直到超过设置的最长时间,然后抛出超时异常(TimeoutException)。

显示等待主要使用了WebDriverWait类expected_conditions模块

一般写法:

WebDriverWait(driver, timeout, poll_frequency, igonred_exceptions).until(method, message)

参数:

  • Driver:传入WebDriver实例。
  • timeout: 超时时间,等待的最长时间(同时要考虑隐性等待时间)
  • poll_frequency: 调用until中的方法的间隔时间,默认是0.5秒
  • ignored_exceptions: 忽略的异常,如果在调用until的过程中抛出这个元组中的异常,则不中断代码,继续等待。
  • Method:可执行方法
  • Message:超时时返回的信息

4.3、expected_conditions条件

expected_conditions是selenium的一个子模块,其中包含一系列可用于判断的条件,配合该类的方法,就能够根据条件而进行灵活地等待了。

ActionChains提供的方法作用
title_is
title_contains
这两个条件类验证title,验证传入的参数title是否等于或包含于driver
presence_of_element_located presence_of_all_elements_located这两个条件验证元素是否出现,传入的参数都是元组类型的locator,如(By.ID, ‘kw’)顾名思义,一个只要一个符合条件的元素加载出来就通过;另一个必须所有符合条件的元素都加载出来才行
visibility_of_element_located invisibility_of_element_located visibility_of这三个条件验证元素是否可见,前两个传入参数是元组类型的locator,第三个传入WebElement
text_to_be_present_in_element text_to_be_present_in_element_value判断某段文本是否出现在某元素中,一个判断元素的text,一个判断元素的value
frame_to_be_available_and_switch_to_it判断frame是否可切入,可传入locator元组或者直接传入定位方式:id、name、index或WebElement
alert_is_present判断是否有alert出现
element_to_be_clickable判断元素是否可点击,传入locator

4.4、隐性等待

隐性等待implicitly_wait(xx) :设置了一个最长等待时间,如果在规定时间内网页加载完成,则执行下一步,否则一直等到时间截止,然后执行下一步。

弊端就是程序会一直等待整个页面加载完成,就算你需要的元素加载出来了还是需要等待。,也就是一般情况下你看到浏览器标签栏那个小圈不再转,才会执行下一步。

隐性等待对整个driver的周期都起作用,所以只要设置一次即可;
隐性等待和显性等待可以同时用,但要注意:等待的最长时间取两者之中的大者;

默认等待时间为0,可以通过下面的方式设置:

from selenium import webdriver
driver = webdriver.Chrome()
······
driver.implicitly_wait(10)        #隐式等待,最长10s
······

示例


4.5、强制等待

强制等待就是不论如何,在此处都需要阻塞等待一段时间,使用方式如下:

import time
time.sleep(3)  #等待3秒

4.6、代码示例

from selenium import webdriver
import time
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.by import By

wb = webdriver.Chrome()
wb.get('https://study.163.com/')

# 关闭页面弹出的小窗口
ok_btn = wb.find_element_by_xpath('//span[@class="ux-btn th-bk-main ux-btn- ux-btn- ux-modal-btn um-modal-btn_ok th-bk-main"]')
ok_btn.click()
# 登录窗口
login_btn = wb.find_element_by_xpath('//div[@class="go-login f-ib th-fs0fc6"]')
login_btn.click()

#设置显示等待
locater = (By.XPATH,'//iframe[@frameborder="0"]')
WebDriverWait(driver=wb,timeout=3,poll_frequency=0.4).until(EC.presence_of_element_located(locater),message='找不到元素!')
#隐式等待  最长3s
# wb.implicitly_wait(3)
# 强制等待  3s
# time.sleep(3)  

# 切换frame   加载需要时间,所以要设等待
fr = wb.find_element_by_xpath('//iframe[@frameborder="0"]')
wb.switch_to.frame(fr)
# 账号输入框输入
name_input = wb.find_element_by_id('phoneipt')
name_input.send_keys('123456789')
# 密码输入
pwd_input = wb.find_element_by_xpath('//input[@class="j-inputtext dlemail"]')
pwd_input.send_keys('10987654321')

五、动作链

在selenium当中除了简单的点击动作外,还有一些稍微复杂的动作,就需要用到ActionChains(动作链)这个子模块来满足我们的需求。

ActionChains可以完成复杂一点的页面交互行为,例如元素的拖拽,鼠标移动,悬停行为,内容菜单交互。

它的执行原理就是当调用ActionChains方法的时候不会立即执行,而是将所有的操作暂时储存在一个队列中,当调用perform()方法的时候,会按照队列中放入的先后顺序执行前面的操作。

ActionChains包:from selenium.webdriver.common.action_chains import ActionChains

ActionChains提供的方法作用
click(on_element=None)鼠标左键单击
double_click(on_element=None)双击鼠标左键
context_click(on_element=None)点击鼠标右键
click_and_hold(on_element=None)点击鼠标左键,按住不放
release(on_element=None)在某个元素位置松开鼠标左键
drag_and_drop(source, target)拖拽到某个元素然后松开
drag_and_drop_by_offset(source, xoffset, yoffset)拖拽到某个坐标然后松开
move_to_element(to_element)鼠标移动到某个元素
move_by_offset(xoffset, yoffset)移动鼠标到指定的x,y位置
move_to_element_with_offset(to_element, xoffset, yoffset)将鼠标移动到距某个元素多少距离的位置
perform()执行链中的所有动作

示例

import time
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains

driver = webdriver.Chrome()

driver.get('http://www.treejs.cn/v3/demo/cn/exedit/drag.html')
time.sleep(2)
element1 = driver.find_element_by_id('treeDemo_2_span')
target = driver.find_element_by_id('treeDemo_3_span')
ActionChains(driver).drag_and_drop(element1, target).perform()

element2 = driver.find_element_by_id('treeDemo_12_span')
ActionChains(driver).drag_and_drop(element2,target).perform()

结果展示:


六、补充知识点

6.1、常用方法

方法说明
Chrome.refresh()刷新页面
Chrome.close()关闭当前标签
Chrome.quit()关闭所有标签
Chrome.page_source网页源代码
Chrome.cookies本页保存的cookie
Chrome.maximize_window()最大化窗口

6.2、无界面设置

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

chrome_options=Options()
chrome_options.add_argument("--headless")
drive = webdriver.Chrome(options=chrome_options)

drive.get('https://www.51zxw.net/List.aspx?cid=451')
print(drive.page_source)  #获取网页源码

以上是关于爬虫学习笔记(十六)—— Selenium的主要内容,如果未能解决你的问题,请参考以下文章

2023爬虫学习笔记 -- selenium库的实际应用

[Python爬虫] 之二十六:Selenium +phantomjs 利用 pyquery抓取智能电视网站图片信息

爬虫(十六):Scrapy框架 Spider MiddlewareItem Pipeline对接Selenium

爬虫学习笔记(十九)—— 滑动验证码

python爬虫学习笔记-M3U8流视频数据爬虫

python爬虫笔记----4.Selenium库(自动化库)