selenium 详解

Posted 2021-02-21 shaozheng

目录

• selenium :
  • 安装：
  • 百度：
  • js 加载：
  • Selenium支持非常多的浏览器，也支持无界面浏览器PhantomJS。
  • 元素定位：
• 注意：
  • 浏览器模拟执行:
  • 获取页面源码数据:
  • 执行js:
  • PhantomJS :
  • 谷歌的无头浏览器:
  • 前进后退：
  • 动作链：
  • 异常处理：
• 实战：
  • qq 空间：
  • 豆瓣电影：
  • 今日头条：
• selenium规避被检测识别:
• selenium接管chrome浏览器实现规避检测:

selenium :

安装：

	解决requests无法直接执行javascript代码的问题 selenium本质是通过驱动浏览器，完全模拟浏览器的操作
    
下载安装selenium：

pip install selenium
下载浏览器驱动程序：

http://chromedriver.storage.googleapis.com/index.html
查看驱动和浏览器版本的映射关系：

http://blog.csdn.net/huilan_same/article/details/51896672

百度：

from selenium import webdriver
from time import sleep

# 后面是你的浏览器驱动位置，记得前面加r‘‘,‘r‘是防止字符转义的
driver = webdriver.Chrome(r‘./chromedriver.exe‘)
# 用get打开百度页面
driver.get("http://www.baidu.com")
# 查找页面的“设置”选项，并进行点击
driver.find_elements_by_link_text(‘设置‘)[0].click()
sleep(2)
# # 打开设置后找到“搜索设置”选项，设置为每页显示50条
driver.find_elements_by_link_text(‘搜索设置‘)[0].click()
sleep(2)

# 选中每页显示50条
m = driver.find_element_by_id(‘nr‘)
sleep(2)
m.find_element_by_xpath(‘//*[@id="nr"]/option[3]‘).click()
m.find_element_by_xpath(‘.//option[3]‘).click()
sleep(2)

# 点击保存设置
driver.find_elements_by_class_name("prefpanelgo")[0].click()
sleep(2)

# 处理弹出的警告页面   确定accept() 和 取消dismiss()
driver.switch_to_alert().accept()
sleep(2)
# 找到百度的输入框，并输入 美女
driver.find_element_by_id(‘kw‘).send_keys(‘美女‘)
sleep(2)
# 点击搜索按钮
driver.find_element_by_id(‘su‘).click()
sleep(2)
# 在打开的页面中找到“Selenium - 开源中国社区”，并打开这个页面
driver.find_elements_by_link_text(‘美女_百度图片‘)[0].click()
sleep(3)

# 关闭浏览器
driver.quit()

js 加载：

import time
from selenium import webdriver

bro = webdriver.Chrome(executable_path="./chromedriver.exe")
bro.get(‘https://xueqiu.com‘)
time.sleep(5)

# 执行js实现滚轮向下滑动
js = ‘window.scrollTo(0,document.body.scrollHeight)‘
bro.execute_script(js)
time.sleep(2)
bro.execute_script(js)
time.sleep(2)
bro.execute_script(js)
time.sleep(2)
bro.execute_script(js)
time.sleep(2)

a_tag = bro.find_element_by_xpath(‘//*[@id="app"]/div[3]/div/div[1]/div[3]/div[2]/a‘)
a_tag.click()
time.sleep(5)

# 获取当前浏览器页面数据
print(bro.page_source)

bro.quit()

Selenium支持非常多的浏览器，也支持无界面浏览器PhantomJS。

from selenium import webdriver
  
browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()

元素定位：

find_element_by_id()
find_element_by_name()
find_element_by_class_name()
find_element_by_tag_name()
find_element_by_link_text()
find_element_by_partial_link_text()
find_element_by_xpath()
find_element_by_css_selector()

注意：

    1、find_element_by_xxx找的是第一个符合条件的标签，find_elements_by_xxx找的是所有符合条件的标签。

    2、根据ID、CSS选择器和XPath获取，它们返回的结果完全一致。

    3、另外，Selenium还提供了通用方法find_element()，它需要传入两个参数：查找方式By和值。实际上，它就是find_element_by_id()这种方法的通用函数版本，比如find_element_by_id(id)就等价于find_element(By.ID, id)，二者得到的结果完全一致。

浏览器模拟执行:

输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法

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(‘MAC‘)
time.sleep(1)
input.clear()
input.send_keys(‘IPhone‘)
button = browser.find_element_by_class_name(‘btn-search‘)
button.click()
browser.quit()

获取页面源码数据:

	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		
    
import time
from selenium import webdriver

bro = webdriver.Chrome(executable_path="./chromedriver.exe")
bro.get(‘https://xueqiu.com‘)
time.sleep(5)

# 使用bro对象的page_source方法获取当前浏览器页面数据
print(bro.page_source)

bro.quit()

执行js:

from selenium import webdriver
 
browser = webdriver.Chrome()
browser.get(‘https://www.jd.com/‘)
browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘)
browser.execute_script(‘alert("123")‘)

PhantomJS :

为用户提供了一个截屏的功能，使用save_screenshot函数实现
from selenium import webdriver
import time

# phantomjs路径
path = r‘PhantomJS驱动路径‘
browser = webdriver.PhantomJS(path)

# 打开百度
url = ‘http://www.baidu.com/‘
browser.get(url)
time.sleep(3)
browser.save_screenshot(r‘phantomjsaidu.png‘)

# 查找input输入框
my_input = browser.find_element_by_id(‘kw‘)
# 往框里面写文字
my_input.send_keys(‘美女‘)
time.sleep(3)
#截屏
browser.save_screenshot(r‘phantomjsmeinv.png‘)

# 查找搜索按钮
button = browser.find_elements_by_class_name(‘s_btn‘)[0]
button.click()
time.sleep(3)

browser.save_screenshot(r‘phantomjsshow.png‘)
time.sleep(3)

browser.quit()

谷歌的无头浏览器:

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
 
# 创建一个参数对象，用来控制chrome以无界面模式打开
chrome_options = Options()
chrome_options.add_argument(‘--headless‘)
chrome_options.add_argument(‘--disable-gpu‘)
# 驱动路径
path = r‘C:UsersBLiDesktop1801day05ziliaochromedriver.exe‘
 
# 创建浏览器对象
browser = webdriver.Chrome(executable_path=path, chrome_options=chrome_options)
 
# 上网
url = ‘http://www.baidu.com/‘
browser.get(url)
time.sleep(3)
 
browser.save_screenshot(‘baidu.png‘)
browser.quit()

前进后退：

import time
from selenium import webdriver
 
browser=webdriver.Chrome(executable_path=‘./chromedriver.exe‘)
browser.get(‘https://www.baidu.com‘)
browser.get(‘https://www.taobao.com‘)
browser.get(‘http://www.jd.com/‘)
 
browser.back()  # 后退
time.sleep(3)
browser.forward()  # 前进
browser.close()

动作链：

鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链

# 动作链
import time
from selenium import webdriver
from selenium.webdriver import ActionChains  # 动作链
from selenium.webdriver import ChromeOptions

bro = webdriver.Chrome(executable_path=‘./chromedriver.exe‘)
url = "http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"
bro.get(url=url)

# 如果定位的标签存在于iframe标签之中, 则必须经过switch_to操作再进行标签定位
bro.switch_to.frame("iframeResult")
source_tag = bro.find_element_by_id(‘draggable‘)

# 实例化一个动作链对象
action = ActionChains(bro)
action.click_and_hold(source_tag)  # 点击并保持(长按)

for i in range(4):
    action.move_by_offset(20,0)  # 移动象素
    time.sleep(1)

# 使用perform()方法执行动作链
action.perform()
bro.quit()

import time
from selenium import webdriver
from selenium.webdriver import ActionChains  # 动作链
from selenium.webdriver import ChromeOptions

bro = webdriver.Chrome(executable_path=‘./chromedriver.exe‘)
url = "http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"
bro.get(url=url)

# 如果定位的标签存在于iframe标签之中, 则必须经过switch_to操作再进行标签定位
bro.switch_to.frame("iframeResult")
source_tag = bro.find_element_by_id(‘draggable‘)
target_tag = bro.find_element_by_id(‘droppable‘)

# 实例化一个动作链对象
action = ActionChains(bro)
action.click_and_hold(source_tag)
time.sleep(1)

for i in range(0, 5):
    action.move_by_offset(20, 0)
action.drag_and_drop(source_tag, target_tag)

# 表示开始执行动作链
action.perform()
time.sleep(2)
bro.quit()

cookie 处理：

Cookies进行操作，例如获取、添加、删除Cookies等
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())

异常处理：

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

try:
    browser=webdriver.Chrome()
    browser.get(‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘)
    browser.switch_to.frame(‘iframssseResult‘)

except TimeoutException as e:
    print(e)
except NoSuchFrameException as e:
    print(e)
finally:
    browser.close()

实战：

qq 空间：

import requests
from selenium import webdriver
from lxml import etree
import time

driver = webdriver.Chrome(executable_path=‘/Users/bobo/Desktop/chromedriver‘)
driver.get(‘https://qzone.qq.com/‘)
#在web 应用中经常会遇到frame 嵌套页面的应用，使用WebDriver 每次只能在一个页面上识别元素，对于frame 嵌套内的页面上的元
素，直接定位是定位是定位不到的。这个时候就需要通过switch_to_frame()方法将当前定位的主体切换了frame 里。
driver.switch_to.frame(‘login_frame‘)
driver.find_element_by_id(‘switcher_plogin‘).click()

#driver.find_element_by_id(‘u‘).clear()
driver.find_element_by_id(‘u‘).send_keys(‘328410948‘)  #这里填写你的QQ号
#driver.find_element_by_id(‘p‘).clear()
driver.find_element_by_id(‘p‘).send_keys(‘xxxxxx‘)  #这里填写你的QQ密码
    
driver.find_element_by_id(‘login_button‘).click()
time.sleep(2)
driver.execute_script(‘window.scrollTo(0,document.body.scrollHeight)‘)
time.sleep(2)
driver.execute_script(‘window.scrollTo(0,document.body.scrollHeight)‘)
time.sleep(2)
driver.execute_script(‘window.scrollTo(0,document.body.scrollHeight)‘)
time.sleep(2)
page_text = driver.page_source

tree = etree.HTML(page_text)
#执行解析操作
li_list = tree.xpath(‘//ul[@id="feed_friend_list"]/li‘)
for li in li_list:
    text_list = li.xpath(‘.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()‘)
    text = ‘‘.join(text_list)
    print(text+‘


‘)
    
driver.close()

豆瓣电影：

from selenium import webdriver
from time import sleep
import time

if __name__ == ‘__main__‘:
    url = ‘https://movie.douban.com/typerank?type_name=%E6%81%90%E6%80%96&type=20&interval_id=100:90&action=‘
    # 发起请求前，可以让url表示的页面动态加载出更多的数据
    path = r‘C:UsersAdministratorDesktop爬虫授课day05ziliaophantomjs-2.1.1-windowsinphantomjs.exe‘
    # 创建无界面的浏览器对象
    bro = webdriver.PhantomJS(path)
    # 发起url请求
    bro.get(url)
    time.sleep(3)
    # 截图
    bro.save_screenshot(‘1.png‘)

    # 执行js代码（让滚动条向下偏移n个像素（作用：动态加载了更多的电影信息））
    js = ‘window.scrollTo(0,document.body.scrollHeight)‘
    bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
    time.sleep(2)

    bro.execute_script(js)  # 该函数可以执行一组字符串形式的js代码
    time.sleep(2)
    bro.save_screenshot(‘2.png‘) 
    time.sleep(2) 
    # 使用爬虫程序爬去当前url中的内容 
    html_source = bro.page_source # 该属性可以获取当前浏览器的当前页的源码（html） 
    with open(‘./source.html‘, ‘w‘, encoding=‘utf-8‘) as fp: 
        fp.write(html_source) 
    bro.quit()

今日头条：

from selenium import webdriver
from lxml import etree
from pyquery import PyQuery as pq
import time

driver = webdriver.Chrome() # 实例化
driver.maximize_window()    # 窗口最大化
driver.get(‘https://www.toutiao.com/‘)
driver.implicitly_wait(10)  # 隐性等待10s【必须有，多加几个】
driver.find_element_by_link_text(‘科技‘).click()
driver.implicitly_wait(10)  # 隐性等待10s
for i in range(3):
    js = "var q = document.documentElement.scrollTop="+str(i*500)
    driver.execute_script(js)
    time.sleep(2)
for i in range(10):
    driver.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘)
    time.sleep(2)

time.sleep(5)
page = driver.page_source
doc = pq(page)  # 用pyquery实例化一下
doc = etree.HTML(str(doc))
contents = doc.xpath(‘//div[@class="wcommonFeed"]/ul/li‘)
print(contents)  # 这是一个对象
print("--------------------------")
for x in contents:
    title = x.xpath(‘div/div[1]/div/div[1]/a/text()‘)
    if title:
        title = title[0]
        with open(‘toutiao.txt‘, ‘a+‘, encoding=‘utf8‘)as f:
            f.write(title + ‘
‘)
        print(title)
    else:
        pass

driver.close()

selenium规避被检测识别:

设置Chromedriver的启动参数
from selenium.webdriver import Chrome
from selenium.webdriver import ChromeOptions

option = ChromeOptions()
option.add_experimental_option(‘excludeSwitches‘, [‘enable-automation‘])
driver = Chrome(options=option)

selenium接管chrome浏览器实现规避检测:

以利用Chrome DevTools协议。它允许客户检查和调试Chrome浏览器。
打开cmd，在命令行中输入命令:
    chrome.exe --remote-debugging-port=9222 --user-data-dir="C:selenumAutomationProfile"
    
    -对于-remote-debugging-port值，可以指定任何打开的端口。

    - 对于-user-data-dir标记，指定创建新Chrome配置文件的目录。它是为了确保在单独的配置文件中启动chrome，不会污染你的默认配置文件。

    - 还有，不要忘了在环境变量中PATH里将chrome的路径添加进去。

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

chrome_options = Options()
chrome_options.add_experimental_option("debuggerAddress", "127.0.0.1:9222")
chrome_driver = "C:Program Files (x86)GoogleChromeApplicationchromedriver.exe"
driver = webdriver.Chrome(chrome_driver, chrome_options=chrome_options)
print(driver.title)