Python爬虫利器：Selenium的用法

Posted 2020-09-28

本文和大家分享的主要是python 爬虫 利器Selenium的相关内容，一起来看看吧，希望对大家 学习python爬虫有所帮助。

Selenium  是什么？一句话，自动化测试工具。它支持各种浏览器，包括  Chrome ， Safari ， Firefox 等主流界面式浏览器，如果你在这些浏览器里面安装一个  Selenium  的插件，那么便可以方便地实现 Web界面的测试。换句话说叫  Selenium  支持这些浏览器驱动。话说回来， PhantomJS 不也是一个浏览器吗，那么  Selenium  支持不？答案是肯定的，这样二者便可以实现无缝对接了。

然后又有什么好消息呢？Selenium 支持多种语言开发，比如  Java ， C ， Ruby 等等，有  Python  吗？那是必须的！哦这可真是天大的好消息啊。

嗯，所以呢？安装一下 Python  的  Selenium  库，再安装好  PhantomJS ，不就可以实现  Python ＋Selenium ＋ PhantomJS  的无缝对接了嘛！ PhantomJS  用来渲染解析 JS ， Selenium  用来驱动以及与 Python  的对接， Python  进行后期的处理，完美的三剑客！

有人问，为什么不直接用浏览器而用一个没界面的 PhantomJS  呢？答案是：效率高！

Selenium  有两个版本，目前最新版本是  2.53.1 （ 2016/3/22 ）

 Selenium

Selenium 2 ，又名  WebDriver ，它的主要新功能是集成了  Selenium 1.0  以及  WebDriver （WebDriver  曾经是  Selenium  的竞争对手）。也就是说  Selenium 2  是  Selenium  和  WebDriver  两个项目的合并，即  Selenium 2  兼容  Selenium ，它既支持  Selenium API  也支持  WebDriver API 。

 查看详情说明 Webdriver

嗯，通过以上描述，我们应该对 Selenium  有了大概对认识，接下来就让我们开始进入动态爬取的新世界吧。

本文参考内容来自 Selenium 官网  SeleniumPython 文档

安装

首先安装 Selenium

 pip install selenium

快速开始

 初步体验

我们先来一个小例子感受一下 Selenium ，这里我们用  Chrome  浏览器来测试，方便查看效果，到真正爬取的时候换回 PhantomJS  即可。

from selenium  import webdriver

browser = webdriver.Chrome()

browser. get(’http://www.baidu.com/’)

运行这段代码，会自动打开浏览器，然后访问百度。

如果程序执行错误，浏览器没有打开，那么应该是没有装 Chrome  浏览器或者  Chrome  驱动没有配置在环境变量里。下载驱动，然后将驱动文件路径配置在环境变量即可。

浏览器驱动下载:  https://sites.google.com/a/chromium.org/chromedriver/downloads

比如我的是 Mac OS ，就把下载好的文件放在  /usr/bin  目录下就可以了。

 模拟提交

下面的代码实现了模拟提交提交搜索的功能，首先等页面加载完成，然后输入到搜索框文本，点击提交。

from selenium  import webdriver

from selenium.webdriver.common.keys  import Keys

driver = webdriver.Chrome()

driver. get("http://www.python.org")assert "Python"  in driver.title

elem = driver.find_element_by_name("q")

elem.send_keys("pycon")

elem.send_keys(Keys.RETURN)print driver.page_source

同样是在 Chrome  里面测试，感受一下。

 实例说明

其中 driver.get  方法会打开请求的 URL ， WebDriver  会等待页面完全加载完成之后才会返回，即程序会等待页面的所有内容加载完成， JS 渲染完毕之后才继续往下执行。注意：如果这里用到了特别多的  Ajax 的话，程序可能不知道是否已经完全加载完毕。

WebDriver  提供了许多寻找网页元素的方法，譬如  find_element_by_*  的方法。例如一个输入框可以通过 find_element_by_name  方法寻找  name  属性来确定。然后我们输入来文本然后模拟点击了回车，就像我们敲击键盘一样。我们可以利用  Keys  这个类来模拟键盘输入。

最后最重要的一点，获取网页渲染后的源代码，输出 page_source  属性即可。

这样，我们就可以做到网页的动态爬取了。

 测试用例

有了以上特性，我们当然可以用来写测试样例了。

 import unittest from selenium  import webdriver from selenium.webdriver.common.keys  import Keys

 class  PythonOrgSearch(unittest.TestCase):

 def  setUp(self):

self.driver = webdriver.Chrome()

 def  test_search_in_python_org(self):

driver = self.driver

driver.get("http://www.python.org")

self.assertIn("Python", driver.title)

elem = driver.find_element_by_name("q")

elem.send_keys("pycon")

elem.send_keys(Keys.RETURN) assert "No results found."  not  in driver.page_source

 def  tearDown(self):

self.driver.close()

 if __name__ == "__main__":

unittest.main()

运行程序，同样的功能，我们将其封装为测试标准类的形式。

 测试用例

测试用例是继承了 unittest.TestCase  类，继承这个类表明这是一个测试类。 setUp 方法是初始化的方法，这个方法会在每个测试类中自动调用。每一个测试方法命名都有规范，必须以  test  开头，会自动执行。最后的  tearDown  方法会在每一个测试方法结束之后调用。这相当于最后的析构方法。在这个方法里写的是  close  方法，你还可以写  quit  方法。不过  close  方法相当于关闭了这个 TAB  选项卡，然而  quit  是退出了整个浏览器。当你只开启了一个  TAB  选项卡的时候，关闭的时候也会将整个浏览器关闭。

页面操作

 页面交互

仅仅抓取页面没有多大卵用，我们真正要做的是做到和页面交互，比如点击，输入等等。那么前提就是要找到页面中的元素。WebDriver 提供了各种方法来寻找元素。例如下面有一个表单输入框。

<input  type="text" name="passwd" id="passwd-id" />

我们可以这样获取它

element = driver.find_element_by_id("passwd-id")element = driver.find_element_by_name("passwd")element = driver.find_elements_by_tag_name("input")element = driver.find_element_by_xpath("//input[@id=’passwd-id’]")

你还可以通过它的文本链接来获取，但是要小心，文本必须完全匹配才可以，所以这并不是一个很好的匹配方式。

而且你在用 xpath  的时候还需要注意的是，如果有多个元素匹配了  xpath ，它只会返回第一个匹配的元素。如果没有找到，那么会抛出  NoSuchElementException  的异常。

获取了元素之后，下一步当然就是向文本输入内容了，可以利用下面的方法

 element.send_keys("some text")

同样你还可以利用 Keys  这个类来模拟点击某个按键。

 element.send_keys("and some", Keys.ARROW_DOWN)

你可以对任何获取到到元素使用 send_keys  方法，就像你在  GMail  里面点击发送键一样。不过这样会导致的结果就是输入的文本不会自动清除。所以输入的文本都会在原来的基础上继续输入。你可以用下面的方法来清除输入文本的内容。

 element.clear()

这样输入的文本会被清除。

 填充表单

我们已经知道了怎样向文本框中输入文字，但是其它的表单元素呢？例如下拉选项卡的的处理可以如下

element = driver.find_element_by_xpath("//select[@name=’name’]")

all_options = element.find_elements_by_tag_name("option") for  option  in all_options:

print("Value is: %s" %  option.get_attribute("value")) option.click()

首先获取了第一个 select  元素，也就是下拉选项卡。然后轮流设置了  select  选项卡中的每一个  option 选项。你可以看到，这并不是一个非常有效的方法。

其实 WebDriver  中提供了一个叫  Select  的方法，可以帮助我们完成这些事情。

 from selenium.webdriver.support.ui import  Selectselect =Select(driver.find_element_by_name(’name’)) select.select_by_index(index)select.select_by_visible_text("text") select.select_by_value(value)

如你所见，它可以根据索引来选择，可以根据值来选择，可以根据文字来选择。是十分方便的。

全部取消选择怎么办呢？很简单

 select =  Select(driver.find_element_by_id(’id’)) select.deselect_all()

这样便可以取消所有的选择。

另外我们还可以通过下面的方法获取所有的已选选项。

select = Select(driver.find_element_by_xpath("xpath"))all_selected_options = select.all_selected_options

获取所有可选选项是

 options = select.options

如果你把表单都填好了，最后肯定要提交表单对吧。怎吗提交呢？很简单

 driver.find_element_by_id("submit").click()

这样就相当于模拟点击了 submit  按钮，做到表单提交。

当然你也可以单独提交某个元素

 element.submit()

方法，WebDriver  会在表单中寻找它所在的表单，如果发现这个元素并没有被表单所包围，那么程序会抛出 NoSuchElementException  的异常。

 元素拖拽

要完成元素的拖拽，首先你需要指定被拖动的元素和拖动目标元素，然后利用 ActionChains  类来实现。

element = driver.find_element_by_name("source")

target = driver.find_element_by_name("target")

from selenium.webdriver  import ActionChains

action_chains = ActionChains(driver)

action_chains.drag_and_drop(element, target).perform()

这样就实现了元素从 source  拖动到  target  的操作。

 页面切换

一个浏览器肯定会有很多窗口，所以我们肯定要有方法来实现窗口的切换。切换窗口的方法如下

 driver.switch_to_window("windowName")

另外你可以使用 window_handles  方法来获取每个窗口的操作对象。例如

 for handle  in driver.window_handles:

driver.switch_to_window(handle)

另外切换 frame  的方法如下

 driver.switch_to_frame(" frameName.0.child")

这样焦点会切换到一个 name  为  child  的  frame  上。

 弹窗处理

当你出发了某个事件之后，页面出现了弹窗提示，那么你怎样来处理这个提示或者获取提示信息呢？

alert = driver.switch_to_alert()

通过上述方法可以获取弹窗对象。

 历史记录

那么怎样来操作页面的前进和后退功能呢？

 driver.forward() driver.back()

嗯，简洁明了。

 Cookies处理

为页面添加 Cookies ，用法如下

# Go to the correct domain

driver.get("http://www.example.com")

# Now set the cookie. This one’s valid for the entire domain

cookie = {‘name’ : ‘foo’, ‘value’ : ‘bar’}

driver.add_cookie(cookie)

获取页面 Cookies ，用法如下

# Go to the correct domain

driver.get("http://www.example.com")

# And now output all the available cookies for the current URL

driver.get_cookies()

以上便是 Cookies  的处理，同样是非常简单的。

 元素选取

关于元素的选取，有如下的API

单个元素选取

 find_element_by_id

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

多个元素选取

 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

另外还可以利用 By  类来确定哪种选择方式

 from selenium.webdriver.common. by import  By

driver.find_element( By.XPATH, ’//button[text()="Some text"]’)

driver.find_elements( By.XPATH, ’//button’)

By  类的一些属性如下

 ID = "id"

XPATH = "xpath"

LINK_TEXT = "link text"

PARTIAL_LINK_TEXT = "partial link text"

NAME = "name"

TAG_NAME = "tag name"

CLASS_NAME = "class name"

CSS_SELECTOR = "css selector"

更详细的元素选择方法参见官方文档

元素选择：  http://selenium-python.readthedocs.org/en/latest/locating-elements.html

页面等待

这是非常重要的一部分，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。这会让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。

 显式等待

显式等待指定某个条件，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 Byfrom selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions  as EC

driver = webdriver.Chrome()

driver. get("http://somedomain/url_that_delays_loading") try:

element = WebDriverWait(driver, 10). until(

EC.presence_of_element_located(( By.ID, "myDynamicElement"))

) finally:

driver.quit()

程序默认会 500ms  调用一次来查看元素是否已经生成，如果本来元素就是存在的，那么会立即返回。

下面是一些内置的等待条件，你可以直接调用这些条件，而不用自己写某些等待条件了。

 等待条件

title_is

title_contains

presence_of_element_located

visibility_of_element_located

visibility_of

presence_of_all_elements_located

text_to_be_present_in_element

text_to_be_present_in_element_value

frame_to_be_available_and_switch_to_it

invisibility_of_element_located

element_to_be_clickable – it is Displayed and Enabled.

staleness_of

element_to_be_selected

element_located_to_be_selected

element_selection_state_to_be

element_located_selection_state_to_be

alert_is_present

 from selenium.webdriver.sup port import expected_conditions as EC

wait = WebDriverWait(driver, 10)

element = wait.until(EC.element_to_be_clickable((By.ID,’someid’)))

from selenium.webdriver.support import expected_conditions as EC

wait = WebDriverWait(driver, 10)

element = wait.until(EC.element_to_be_clickable((By.ID,’someid’)))

 隐式等待

隐式等待比较简单，就是简单地设置一个等待时间，单位为秒。

 from selenium  import webdriver

driver = webdriver.Chrome()

driver.implicitly_wait(10) # seconds

driver.get("http://somedomain/url_that_delays_loading")

myDynamicElement = driver.find_element_by_id("myDynamicElement")

当然如果不设置，默认等待时间为0 。

程序框架

对于页面测试和分析，官方提供了一个比较明晰的代码结构，可以参考。

结语

以上就是 Selenium  的基本用法，我们讲解了页面交互，页面渲染之后的源代码的获取。这样，即使页面是  JS  渲染而成的，我们也可以手到擒来了。就是这么溜！

来源：网络