selenium:能够模拟人类打开浏览器的爬虫利器

Posted traditional

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selenium:能够模拟人类打开浏览器的爬虫利器相关的知识,希望对你有一定的参考价值。

介绍

selenium相当于是一个机器人,可以模拟人类登陆浏览器的行为,比如点击、填充数据、删除cookie等等。Chromedriver是一个驱动Chrome的程序,使用它才可以驱动浏览器,其实Chromedriver之前是用来做自动化测试的,但是发现很适合爬虫。当然这里的是Chromedriver,不同的浏览器有不同的driver,但是这里我们只介绍Chrome。毕竟谷歌浏览器在浏览器这一层面上基本算是主宰天下了。关于selenium一般是为了获取动态数据的,对于那些使用ajax技术的网站,直接获取会很麻烦,因为你在查看网页源代码里面找不到,当然如果会分析ajax接口的话,是可以获取到的。而通过selenium驱动driver的话,不管是什么技术,只要在页面上能看得到,那么就能获取到。因此如果是静态页面的话,建议使用requests,动态页面推荐selenium+driver

安装

对于selenium,直接pip?install?selenium即可

技术图片

对于driver,我们直接下载对应版本的driver即可,关于版本可以看一下自己Chrome的安装路径,一般默认是C:\\Program Files (x86)\\Google\\Chrome\\Application下面

技术图片

文件名就是对应的版本号,我们可以去http://npm.taobao.org/mirrors/chromedriver/这个网站里面找到与Chrome相对应的driver即可。一般来说,只要前三部分一样就没问题,像最后部分的90,我下载的是40,但是用着也没问题。当然有一样的就用完全一致的,主要是那个网站上面没有77.0.3865.90的driver,只有77.0.3865.40的driver,但是也可以用。

快速入门

下面我们就看看这个selenium怎么操作这个webdriver

from selenium import webdriver  # 从selenium包中导入webdriver

# 指定driver的路径,就是我们刚才下载的。
driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
# 通过webdriver调用Chrome这个类,指定executable_path,传入driver_path,得到对应的driver
driver = webdriver.Chrome(executable_path=driver_path)

# 那么我们就可以使用driver这个驱动去请求应页面了,调用get方法,传入url
driver.get("http://www.baidu.com/s?wd=komeijisatori")

# 调用driver下的page_source得到源代码,查看前100个字符
print(driver.page_source[0: 100])
"""
<html><head>
        
        <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">
        <meta http-equiv=
"""

技术图片

可以看到,自动地会打开相应的页面。如果能打开页面并获取到数据,说明是安装成功了的,如果失败那么就根据报错信息查找一下原因吧。

selenium关闭页面和浏览器

关闭可以是关闭页面,和关闭浏览器。

  • driver.close():关闭当前页面
  • driver.quit():关闭浏览器
from selenium import webdriver 
import time 

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("http://www.baidu.com/s?wd=komeijisatori")

time.sleep(5)  # 为了观察到现象,这里sleep 5秒
# driver.close()
# driver.quit()

技术图片

当我们执行程序打开页面的时候,点击加号,新建页面。如果是close的话,那么只会关闭最开始打开的页面,两个新标签页不会关闭。但如果是quit的话,那么不仅页面、整个浏览器都会推出。这个不好截图,可以自行尝试一下。

定位元素

如果我们想找到某些标签,要怎么办呢?selenium也为我们提供了很多的方法。

  • 根据id来查找

    from selenium.webdriver.support.select import By
    
    # 两种方式等价的
    driver.find_element_by_id("id_name")
    driver.find_element(By.ID, "id_name")
  • 根据类名查找元素

    driver.find_element_by_class_name("class_name")
    driver.find_element(By.CLASS_NAME, "class_name")
  • 根据name属性的值来查找元素

    driver.find_element_by_name("username")
    driver.find_element(By.NAME, "username")
  • 根据标签名来查找元素

    driver.find_element_by_tag_name("div")
    driver.find_element(By.TAG_NAME, "div")
  • 根据xpath语法来选择元素

    driver.find_element_by_xpath("//div[@class='哈哈哈']/a")
    driver.find_element(By.XPATH, "//div[@class='哈哈哈']/a")
  • 根据css选择器选择元素

    driver.find_element_by_css_selector("banner")
    driver.find_element(By.CSS_SELECTOR, "banner")

以上便是6中获取标签的方式,足够用了。但是以上所有的方法都是获取符合条件的第一个标签,如果获取多个,只需要把element改成elements。比如:find_elements_by_name("username")、find_elements(By.NAME,?"username")

技术图片

比如我想获取"百度一下你就知道"这个输入框,我有很多种方式,比如通过id="kw" name="wd" class="有点长不写了"等等。

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

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

tag = driver.find_element_by_id("kw")
# 得到的tag依旧可以使用find_element_by_xxx等方法
# 但除此之外还有哪些属性呢

# 拿到当前的标签名,既然我们获取的是输入框,应该是input
print(tag.tag_name)  # input

# 拿到标签对应的文本,有可能为空,所以我们用%r打印
print("%r" % tag.text)  # ''

# 获取位置
print(tag.location)  # 'x': 152, 'y': 310

# 获取尺寸
print(tag.size)  # 'height': 22, 'width': 500

# 说实话这些都没啥用,至于其他的方法,会之后介绍

之前说了,我们有很多种方式获取

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

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

tag1 = driver.find_element_by_name("wd")
tag2 = driver.find_element_by_class_name("s_ipt")
print(tag1.tag_name)  # input
print(tag2.tag_name)  # input

由于selenium获取元素的方式是通过python原生实现的,速度肯定没有底层使用C语言实现的lxml模块快,但是它能够对标签进行操作。因此如果我们只是想获取指定内容、不对标签进行操作的话,建议使用driver.page_source获取网页源代码,然后使用lxml或者pyquery进行解析,pyquery底层是使用lxml

selenium操作表单元素

常见的表单元素有哪些呢?type="text/username/password/email等"的input标签,我们通过selenium是可以往里面输入内容的。

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

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

# 获取标签
tag1 = driver.find_element_by_id("kw")

# 调用send_keys方法,往里面输入内容
tag1.send_keys("古明地觉")

技术图片

自动帮我们输入了,既然能输入那就能清除

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

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

# 获取标签
tag1 = driver.find_element_by_id("kw")

# 调用send_keys方法,往里面输入内容
tag1.send_keys("古明地觉")

import time
time.sleep(5)

# 调用clear方法,5s后就自动删除了
tag1.clear()

技术图片

操作checkbox,就是我们一般登陆的时候,会有一个类似于"记住我"的那个小方框

技术图片

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.jianshu.com/sign_in")


# 获取对应按钮
tag1 = driver.find_element_by_id("session_remember_me")

# 调用click方法表示点击
tag1.click()

如果想取消怎么办?那么就再调用一次click方法

操作select,就是有很多选项可以让我们选择的标签。个人觉的操作select很少,我没找到对应网站,就不演示了。

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.xxxx.com")


# 获取select对应按钮
selectBtn = driver.find_element_by_id("select_id")

# 有了select还不行,必须要包装一下
from selenium.webdriver.support.ui import Select
selectBtn = Select(selectBtn)

# 通过索引
# selectBtn.select_by_index(1)

# 通过值
# selectBtn.select_by_value("http://xxx")

# 根据可视的文本选择
# selectBtn.select_by_visible_text("xxx")

# 取消所有选择
# selectBtn.deselect_all()

鼠标的点击事件。我们模拟百度搜索,这就意味着我们要找到输入框,输入内容,然后找到百度一下那个按钮,然后点击

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")


# 获取input输入框
input_btn = driver.find_element_by_id("kw")
input_btn.send_keys("古明地觉")

# 获取百度一下按钮
baidu_btn = driver.find_element_by_id("su")

baidu_btn.click()

技术图片

可以看到,自动进入了相应的页面。

行为链

有时候在页面中的操作有很多步,比如点击、输入内容、点击等等,那么这一串的动作可以使用一个链子串起来,就是行为链

from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains  # 导入相关的类

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")

# 获取input输入框
input_btn = driver.find_element_by_id("kw")
# 获取百度一下按钮
baidu_btn = driver.find_element_by_id("su")

# 这个类接收一个driver
action_chains = ActionChains(driver)
# 下面可以进行操作

# 首先我们要把鼠标移动到input输入框里面去
action_chains.move_to_element(input_btn)
# 向指定的输入框里面输入内容
action_chains.send_keys_to_element(input_btn, "古明地恋")
# 然后移动到百度一下按钮上面
action_chains.move_to_element(baidu_btn)
# 点击相应的按钮
action_chains.click(baidu_btn)
# 以上相当于数据库里面的事务,然后调用perform执行链子上的操作
action_chains.perform()

技术图片

以上打开页面、输入内容、点击都是程序自动完成的

行为链还有很多操作

  • click_and_hold(element):点击但不松开鼠标
  • context_click(element):右键点击
  • double_click(element):双击

cookie操作

  • 获取所有cookie

    from selenium import webdriver
    
    driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
    driver = webdriver.Chrome(executable_path=driver_path)
    
    driver.get("https://www.baidu.com")
    
    for cookie in driver.get_cookies():
        print(cookie)
    """
    'domain': '.baidu.com', 'httpOnly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '1432_21103_18560_29073_29523_29720_29567_29220_26350_22160'
    'domain': '.baidu.com', 'expiry': 3717332129.99234, 'httpOnly': False, 'name': 'BIDUPSID', 'path': '/', 'secure': False, 'value': 'ABEDD46CE6CCC56548E54C1159D892B6'
    'domain': '.baidu.com', 'httpOnly': False, 'name': 'delPer', 'path': '/', 'secure': False, 'value': '0'
    'domain': '.baidu.com', 'expiry': 3717332129.992357, 'httpOnly': False, 'name': 'PSTM', 'path': '/', 'secure': False, 'value': '1569848483'
    'domain': '.baidu.com', 'expiry': 1569934883.162394, 'httpOnly': False, 'name': 'BDORZ', 'path': '/', 'secure': False, 'value': 'B490B5EBF6F3CD402E515D22BCDA1598'
    'domain': 'www.baidu.com', 'expiry': 1570712483, 'httpOnly': False, 'name': 'BD_UPN', 'path': '/', 'secure': False, 'value': '12314753'
    'domain': 'www.baidu.com', 'httpOnly': False, 'name': 'BD_HOME', 'path': '/', 'secure': False, 'value': '0'
    'domain': '.baidu.com', 'expiry': 3717332129.99231, 'httpOnly': False, 'name': 'BAIDUID', 'path': '/', 'secure': False, 'value': 'ABEDD46CE6CCC56548E54C1159D892B6:FG=1'
    """
  • 获取指定cookie

    from selenium import webdriver
    
    driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
    driver = webdriver.Chrome(executable_path=driver_path)
    
    driver.get("https://www.baidu.com")
    
    print(driver.get_cookie("H_PS_PSSID"))
    """
    'domain': '.baidu.com', 'httpOnly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '1461_21115_29522_29721_29568_29221_26350'
    """
  • 删除指定cookie

    from selenium import webdriver
    
    driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
    driver = webdriver.Chrome(executable_path=driver_path)
    
    driver.get("https://www.baidu.com")
    
    print(driver.get_cookie("H_PS_PSSID"))
    """
    'domain': '.baidu.com', 'httpOnly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '1445_21084_29523_29721_29568_29221'
    """
    driver.delete_cookie("H_PS_PSSID")
    # 删除之后,再获取一次
    print(driver.get_cookie("H_PS_PSSID"))  # None
  • 删除所有cookie

    from selenium import webdriver
    
    driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
    driver = webdriver.Chrome(executable_path=driver_path)
    
    driver.get("https://www.baidu.com")
    # 删除所有的cookie
    driver.delete_all_cookies()
    # 得到是空列表
    print(driver.get_cookies())  # []

页面等待

现在的网站很多都采用了ajax技术,这样程序便不能确定某个元素合适会全部加载出来。如果实际页面等待时间过长导致某个dom元素还没有加载出来,而去获取响应标签,那么就会找不到导致报错。为了解决这种问题,所以selenium提供了两种等待方式,隐式等待和显式等待。

隐式等待:直接指定一个等待时间,通过driver.implicitly_wait指定,不管页面加载情况如何,只要过了指定的等待时间,就开始获取元素

from selenium import webdriver

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")

# 表示隐式等待10s
driver.implicitly_wait(10)

# todo:可以隐式等待10s之后,再去做相应的操作

显示等待:相较于隐式等待比较智能一些,需要等待某个条件成立之后才去执行获取指定元素的操作。在可以同时指定一个最大时间间隔,如果超过了这个时间间隔,那么会抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions(期望条件)和selenium.webdriver.support.ui.WebDriverWait(显示等待)来配合完成。

from selenium import webdriver
from selenium.webdriver.support import expected_conditions as ec
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support.select import By

driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")

# 让driver等待10s,直到
WebDriverWait(driver, 10).until(
    # 某个id="xxx"的元素出现
    ec.presence_of_element_located((By.ID, "ID_NAME"))
)

当然还有其它的等待条件:presence_of_all_elements_located:所有元素都加载完毕了。element_to_be_clickable:某个元素可以点击了。

打开多窗口和切换窗口

有时候我们想打开一个新的页面,但是原来的页面不能关,而且多个页面要来回切换,这时候怎么办呢?selenium也为我们提供了相应的方法。

from selenium import webdriver


driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

# 在介绍之前,肯定会有人思考能不能这么做
driver.get("https://www.baidu.com")
driver.get("https://www.bilibili.com")
# 这样不就打开两个页面了吗?确实没错,但是后一个页面把上一个页面给冲掉了

我们可以调用driver.execute_script,这个方法可以直接执行javascript代码

from selenium import webdriver


driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")

# 在js中,通过window.open打开新窗口
driver.execute_script("window.open('https://www.bilibili.com')")

技术图片

尽管通过图片,我们看到此时切换的是比例比例页面,但是在代码层面上,我们还是在一开始的百度窗口上面,怎么验证呢?可以调用driver.current_url查看一下当前页面的url

print(driver.current_url)  # https://www.baidu.com/

打印的依旧是百度的url

那么如何切换呢?可以使用driver.switch_to.window里面传入窗口句柄,这个句柄可以通过driver.window_handler获取,driver.window_handler是一个列表,里面存放打开的窗口句柄,句柄的顺序就是打开页面的顺序,显然对于当前window_handler里面只有两个句柄,第一个是百度页面的句柄,第二个是bilibili页面的句柄

from selenium import webdriver


driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")

# 在js中,通过window.open打开新窗口
driver.execute_script("window.open('https://www.bilibili.com')")

# 以前是driver.switch_to_window,这方法此时还能用,但是已经提示我们要被移除了
# 建议我们使用driver.switch_to.window
driver.switch_to.window(driver.window_handles[1])  # 切换到bilibili

# 打印当前页面的url
print(driver.current_url)  # https://www.bilibili.com/

现在问题来了,如果有一个页面,页面上面有100个链接,我要获取这100个链接对应的网页源代码,并且只能保持两个窗口,要怎么做呢。显然是,新窗口打开页面的url,获取内容。然后关闭,再新窗口打开页面的第二个url,继续获取,依次往复

那我们就随便举例,先打开百度,然后打开bilibili,关掉bilibili,打开豆瓣,关掉豆瓣,打开知乎,关掉知乎,打开博客园。当然打开新页面的前提是要先回到百度,我们就假设这些链接都在百度上面?

from selenium import webdriver


driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")

# 通过window.open打开新窗口bilibili
driver.execute_script("window.open('https://www.bilibili.com')")

# 切换到bilibili
driver.switch_to.window(driver.window_handles[1])
# 源代码就不获取了,就用打印url代替吧
print(driver.current_url)

#关掉bilibili,由于窗口已经切换了,所以close掉的是bilibili的页面
# 注意不能是quit,那样的话,整个浏览器页面就关掉了
driver.close()

# 当close之后,此时的窗口还是停留在bilibili,或者说还没有切换到百度
# 但是此bilibili页面的窗口句柄已经不存在了,此时再进行操作就会报错,提示窗口已经关闭
# 切换到百度窗口,此时window_handlers里面就只有一个元素了
driver.switch_to.window(driver.window_handles[0])

# 打开豆瓣
driver.execute_script("window.open('https://www.douban.com')")
# 切换到豆瓣,此时window_handlers里面就又有两个元素
driver.switch_to.window(driver.window_handles[1])
# 打印url
print(driver.current_url)
# 关闭
driver.close()

# 切换到百度
driver.switch_to.window(driver.window_handles[0])

# 打开知乎
driver.execute_script("window.open('https://www.zhihu.com')")
driver.switch_to.window(driver.window_handles[1])
print(driver.current_url)
driver.close()

driver.switch_to.window(driver.window_handles[0])

# 打开博客园
driver.execute_script("window.open('https://www.cnblogs.com')")
driver.switch_to.window(driver.window_handles[1])
print(driver.current_url)

driver.close()

# 最后再切换到百度
driver.switch_to.window(driver.window_handles[0])
print(driver.current_url)
"""
https://www.bilibili.com/
https://www.douban.com/
https://www.zhihu.com/signin?next=%2F
https://www.cnblogs.com/
https://www.baidu.com/
"""

当然这里演示,显得有些啰嗦,实际写代码的时候可以使用循环。

使用代理ip

from selenium import webdriver


driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"

# 指定代理
options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://110.110.110.119:6666")

# 设置options参数即可
driver = webdriver.Chrome(executable_path=driver_path, chrome_options=options)

# 然后就可以使用代理访问了
driver.get("https://www.baidu.com")

WebElement类补充

我们使用driver.find_element等方法获取到的都是一个WebElement对象,那么我们在得到这个对象之后,还可以获取相应的属性

from selenium import webdriver


driver_path = r"D:\\chromedriver_win32\\chromedriver.exe"

driver = webdriver.Chrome(executable_path=driver_path)

driver.get("https://www.baidu.com")

tag = driver.find_element_by_id("su")
print(type(tag))  # <class 'selenium.webdriver.remote.webelement.WebElement'>

# 通过get_attribute获取
print(tag.get_attribute("type"))  # submit
print(tag.get_attribute("value"))  # 百度一下
print(tag.get_attribute("class"))  # bg s_btn

以上是关于selenium:能够模拟人类打开浏览器的爬虫利器的主要内容,如果未能解决你的问题,请参考以下文章

Python爬虫利器:Selenium的用法

爬虫 + 自动化利器 selenium 之自学成才篇

爬虫 + 自动化利器 selenium 之自学成才篇

Python爬虫利器Selenium的用法

Python 爬虫利器 Selenium 从入门到进阶

python selenium 自动化爬虫与测试网页利器