爬虫之selenium模块

Posted 2020-10-21 春眠不觉晓。

selenium模块

• 介绍

```python
selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决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，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器

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

## 安装

安装：selenium+chromedriver

pip3 install selenium
下载chromdriver.exe放到python安装路径的scripts目录中即可，注意最新版本是2.29，并非2.9
国内镜像网站地址：http://npm.taobao.org/mirrors/chromedriver/2.29/
最新的版本去官网找:https://sites.google.com/a/chromium.org/chromedriver/downloads

验证安装

C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.

from selenium import webdriver
driver=webdriver.Chrome() #弹出浏览器
driver.get(‘https://www.baidu.com‘)
driver.page_source

注意：

selenium3默认支持的webdriver是Firfox，而Firefox需要安装geckodriver
下载链接：https://github.com/mozilla/geckodriver/releases

## 基本使用

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()
try:
browser.get(‘https://www.baidu.com‘)

input_tag=browser.find_element_by_id(‘kw‘)
input_tag.send_keys(‘美女‘) #python2中输入中文错误，字符串前加个u
input_tag.send_keys(Keys.ENTER) #输入回车

wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,‘content_left‘))) #等到id为content_left的元素加载完毕,最多等10秒

print(browser.page_source)
print(browser.current_url)
print(browser.get_cookies())

finally:
browser.close()

## 选择器

 - 基本用法
 
 
 ```
#官网链接：http://selenium-python.readthedocs.io/locating-elements.html
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time

driver=webdriver.Chrome()
driver.get(‘https://www.baidu.com‘)
wait=WebDriverWait(driver,10)

try:
    #===============所有方法===================
    # 1、find_element_by_id
    # 2、find_element_by_link_text
    # 3、find_element_by_partial_link_text
    # 4、find_element_by_tag_name
    # 5、find_element_by_class_name
    # 6、find_element_by_name
    # 7、find_element_by_css_selector
    # 8、find_element_by_xpath
    # 强调：
    # 1、上述均可以改写成find_element(By.ID,‘kw‘)的形式
    # 2、find_elements_by_xxx的形式是查找到多个元素，结果为列表

    #===============示范用法===================
    # 1、find_element_by_id
    print(driver.find_element_by_id(‘kw‘))

    # 2、find_element_by_link_text
    # login=driver.find_element_by_link_text(‘登录‘)
    # login.click()

    # 3、find_element_by_partial_link_text
    login=driver.find_elements_by_partial_link_text(‘录‘)[0]
    login.click()

    # 4、find_element_by_tag_name
    print(driver.find_element_by_tag_name(‘a‘))

    # 5、find_element_by_class_name
    button=wait.until(EC.element_to_be_clickable((By.CLASS_NAME,‘tang-pass-footerBarULogin‘)))
    button.click()

    # 6、find_element_by_name
    input_user=wait.until(EC.presence_of_element_located((By.NAME,‘userName‘)))
    input_pwd=wait.until(EC.presence_of_element_located((By.NAME,‘password‘)))
    commit=wait.until(EC.element_to_be_clickable((By.ID,‘TANGRAM__PSP_10__submit‘)))

    input_user.send_keys(‘18611453110‘)
    input_pwd.send_keys(‘[email protected]‘)
    commit.click()

    # 7、find_element_by_css_selector
    driver.find_element_by_css_selector(‘#kw‘)

    # 8、find_element_by_xpath

    time.sleep(5)

finally:
    driver.close()

• xpath

#官网链接：http://selenium-python.readthedocs.io/locating-elements.html
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time

driver=webdriver.PhantomJS()
driver.get(‘https://doc.scrapy.org/en/latest/_static/selectors-sample1.html‘)
# wait=WebDriverWait(driver,3)
driver.implicitly_wait(3) #使用隐式等待

try:
    # find_element_by_xpath
    #//与/
    # driver.find_element_by_xpath(‘//body/a‘)  # 开头的//代表从整篇文档中寻找,body之后的/代表body的儿子，这一行找不到就会报错了

    driver.find_element_by_xpath(‘//body//a‘)  # 开头的//代表从整篇文档中寻找,body之后的//代表body的子子孙孙
    driver.find_element_by_css_selector(‘body a‘)

    #取第n个
    res1=driver.find_elements_by_xpath(‘//body//a[1]‘) #取第一个a标签
    print(res1[0].text)

    #按照属性查找,下述三者查找效果一样
    res1=driver.find_element_by_xpath(‘//a[5]‘)
    res2=driver.find_element_by_xpath(‘//a[@href="image5.html"]‘)
    res3=driver.find_element_by_xpath(‘//a[contains(@href,"image5")]‘) #模糊查找
    print(‘==>‘, res1.text)
    print(‘==>‘,res2.text)
    print(‘==>‘,res3.text)


    #其他
    res1=driver.find_element_by_xpath(‘/html/body/div/a‘)
    print(res1.text)

    res2=driver.find_element_by_xpath(‘//a[img/@src="image3_thumb.jpg"]‘) #找到子标签img的src属性为image3_thumb.jpg的a标签
    print(res2.tag_name,res2.text)

    res3 = driver.find_element_by_xpath("//input[@name=‘continue‘][@type=‘button‘]") #查看属性name为continue且属性type为button的input标签
    res4 = driver.find_element_by_xpath("//*[@name=‘continue‘][@type=‘button‘]") #查看属性name为continue且属性type为button的所有标签
    
    
    time.sleep(5)

finally:
    driver.close()

• 获取标签属性

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()

browser.get(‘https://www.amazon.cn/‘)

wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,‘cc-lm-tcgShowImgContainer‘)))

tag=browser.find_element(By.CSS_SELECTOR,‘#cc-lm-tcgShowImgContainer img‘)

#获取标签属性，
print(tag.get_attribute(‘src‘))


#获取标签ID，位置，名称，大小（了解）
print(tag.id)
print(tag.location)
print(tag.tag_name)
print(tag.size)


browser.close()

等待元素被加载

#1、selenium只是模拟浏览器的行为，而浏览器解析页面是需要时间的（执行css，js），一些元素可能需要过一段时间才能加载出来，为了保证能查找到元素，必须等待
#2、等待的方式分   两种： 隐式等待：在    browser.get（‘xxx‘）前就设置，针对所有元素有效 显式等待：在browser.get（‘xxx‘）之后设置，只针对某个元素有效

• 隐式等待

```
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()

隐式等待:在查找所有元素时，如果尚未被加载，则等10秒

browser.implicitly_wait(10)

browser.get(‘https://www.baidu.com‘)

input_tag=browser.find_element_by_id(‘kw‘)
input_tag.send_keys(‘美女‘)
input_tag.send_keys(Keys.ENTER)

contents=browser.find_element_by_id(‘content_left‘) #没有等待环节而直接查找，找不到则会报错
print(contents)

browser.close(）

- 显示等待

rom selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

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

input_tag=browser.find_element_by_id(‘kw‘)
input_tag.send_keys(‘美女‘)
input_tag.send_keys(Keys.ENTER)

显式等待：显式地等待某个元素被加载

wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,‘content_left‘)))

contents=browser.find_element(By.CSS_SELECTOR,‘#content_left‘)
print(contents)

browser.close()

## 元素交互操作
- 点击清空

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()
browser.get(‘https://www.amazon.cn/‘)
wait=WebDriverWait(browser,10)

input_tag=wait.until(EC.presence_of_element_located((By.ID,‘twotabsearchtextbox‘)))
input_tag.send_keys(‘iphone 8‘)
button=browser.find_element_by_css_selector(‘#nav-search > form > div.nav-right > div > input‘)
button.click()

import time
time.sleep(3)

input_tag=browser.find_element_by_id(‘twotabsearchtextbox‘)
input_tag.clear() #清空输入框
input_tag.send_keys(‘iphone7plus‘)
button=browser.find_element_by_css_selector(‘#nav-search > form > div.nav-right > div > input‘)
button.click()

browser.close()

- Action Chains

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By # 按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys # 键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait # 等待页面加载某些元素
import time

driver = webdriver.Chrome()
driver.get(‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘)
wait=WebDriverWait(driver,3)

driver.implicitly_wait(3) # 使用隐式等待

try:
driver.switch_to.frame(‘iframeResult‘) ##切换到iframeResult
sourse=driver.find_element_by_id(‘draggable‘)
target=driver.find_element_by_id(‘droppable‘)

#方式一：基于同一个动作链串行执行
# actions=ActionChains(driver) #拿到动作链对象
# actions.drag_and_drop(sourse,target) #把动作放到动作链中，准备串行执行
# actions.perform()

#方式二：不同的动作链，每次移动的位移都不同
ActionChains(driver).click_and_hold(sourse).perform()
distance=target.location[‘x‘]-sourse.location[‘x‘]

track=0
while track < distance:
    ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform()
    track+=2

ActionChains(driver).release().perform()

time.sleep(10)

finally:
driver.close()

- 在交互动作比较难实现的时候可以自己写js（万能方法）

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

try:
browser=webdriver.Chrome()
browser.get(‘https://www.baidu.com‘)
browser.execute_script(‘alert("hello world")‘) #打印警告
finally:
browser.close()

- 补充frame的切换

frame相当于一个单独的网页，在父frame里是无法直接查看到子frame的元素的，必须switch_to_frame切到该frame下，才能进一步查找

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

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

browser.switch_to.frame(‘iframeResult‘) #切换到id为iframeResult的frame

tag1=browser.find_element_by_id(‘droppable‘)
print(tag1)

# tag2=browser.find_element_by_id(‘textareaCode‘) #报错，在子frame里无法查看到父frame的元素
browser.switch_to.parent_frame() #切回父frame,就可以查找到了
tag2=browser.find_element_by_id(‘textareaCode‘)
print(tag2)

finally:
browser.close()

## 其他

- 模拟浏览器的前进后退

模拟浏览器的前进后退

import time
from selenium import webdriver

browser=webdriver.Chrome()
browser.get(‘https://www.baidu.com‘)
browser.get(‘https://www.taobao.com‘)
browser.get(‘http://www.sina.com.cn/‘)

browser.back()
time.sleep(10)
browser.forward()
browser.close()

- cookies

cookies

from selenium import webdriver

browser=webdriver.Chrome()
browser.get(‘https://www.zhihu.com/explore‘)
print(browser.get_cookies())
browser.add_cookie({‘k1‘:‘xxx‘,‘k2‘:‘yyy‘})
print(browser.get_cookies())

browser.delete_all_cookies()

- 选项卡管理

选项卡管理：切换选项卡，有js的方式windows.open,有windows快捷键：ctrl+t等，最通用的就是js的方式

import time
from selenium import webdriver

browser=webdriver.Chrome()
browser.get(‘https://www.baidu.com‘)
browser.execute_script(‘window.open()‘)

print(browser.window_handles) #获取所有的选项卡
browser.switch_to_window(browser.window_handles[1])
browser.get(‘https://www.taobao.com‘)
time.sleep(10)
browser.switch_to_window(browser.window_handles[0])
browser.get(‘https://www.sina.com.cn‘)
browser.close()

- 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()

## 小程序
- 自动登录163邮箱并发送邮件

注意：网站都策略都是在不断变化的，精髓在于学习流程。下述代码生效与2018-01-15，不能保证永久有效

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait

browser=webdriver.Chrome()

try:
browser.get(‘http://mail.163.com/‘)

wait=WebDriverWait(browser,5)

frame=wait.until(EC.presence_of_element_located((By.ID,‘x-URS-iframe‘)))
browser.switch_to.frame(frame)

wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,‘.m-container‘)))

inp_user=browser.find_element_by_name(‘email‘)
inp_pwd=browser.find_element_by_name(‘password‘)
button=browser.find_element_by_id(‘dologin‘)
inp_user.send_keys(‘18611453110‘)
inp_pwd.send_keys(‘xxxx‘)
button.click()

#如果遇到验证码，可以把下面一小段打开注释
# import time
# time.sleep(10)
# button = browser.find_element_by_id(‘dologin‘)
# button.click()

wait.until(EC.presence_of_element_located((By.ID,‘dvNavTop‘)))
write_msg=browser.find_elements_by_css_selector(‘#dvNavTop li‘)[1] #获取第二个li标签就是“写信”了
write_msg.click()


wait.until(EC.presence_of_element_located((By.CLASS_NAME,‘tH0‘)))
recv_man=browser.find_element_by_class_name(‘nui-editableAddr-ipt‘)
title=browser.find_element_by_css_selector(‘.dG0 .nui-ipt-input‘)
recv_man.send_keys(‘[email protected]‘)
title.send_keys(‘圣旨‘)
print(title.tag_name)


frame=wait.until(EC.presence_of_element_located((By.CLASS_NAME,‘APP-editor-iframe‘)))
browser.switch_to.frame(frame)
body=browser.find_element(By.CSS_SELECTOR,‘body‘)
body.send_keys(‘egon很帅，可以加工资了‘)

browser.switch_to.parent_frame() #切回他爹
send_button=browser.find_element_by_class_name(‘nui-toolbar-item‘)
send_button.click()

#可以睡时间久一点别让浏览器关掉，看看发送成功没有
import time
time.sleep(10000)

except Exception as e:
print(e)
finally:
browser.close()

- 爬取京东商城商品信息

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time

def get_goods(driver):
try:
goods=driver.find_elements_by_class_name(‘gl-item‘)

    for good in goods:
        detail_url=good.find_element_by_tag_name(‘a‘).get_attribute(‘href‘)

        p_name=good.find_element_by_css_selector(‘.p-name em‘).text.replace(‘\n‘,‘‘)
        price=good.find_element_by_css_selector(‘.p-price i‘).text
        p_commit=good.find_element_by_css_selector(‘.p-commit a‘).text

        msg = ‘‘‘
        商品 : %s
        链接 : %s
        价钱 ：%s
        评论 ：%s
        ‘‘‘ % (p_name,detail_url,price,p_commit)

        print(msg,end=‘\n\n‘)


    button=driver.find_element_by_partial_link_text(‘下一页‘)
    button.click()
    time.sleep(1)
    get_goods(driver)
except Exception:
    pass

def spider(url,keyword):
driver = webdriver.Chrome()
driver.get(url)
driver.implicitly_wait(3) # 使用隐式等待
try:
input_tag=driver.find_element_by_id(‘key‘)
input_tag.send_keys(keyword)
input_tag.send_keys(Keys.ENTER)
get_goods(driver)
finally:
driver.close()

if name == ‘main‘:
spider(‘https://www.jd.com/‘,keyword=‘iPhone8手机‘)
```