爬虫(selenium)
Posted l736
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(selenium)相关的知识,希望对你有一定的参考价值。
selenium
BeautifulSoup:处理速度快,同时可以连续查找,主要用于静态
Selenium:主要用于动态网页,查找速度慢
一、声明浏览器对象
from selenium import webdriver browser = webdriver.Chrome() browser = webdriver.Firefox() browser = webdriver.Edge() browser = webdriver.PhantomJS() browser = webdriver.Safari()
二、与BeautifulSoup取数的区别
(一)一个例子
from selenium import webdriver browser = webdriver.Chrome(r"C:\chromedriver.exe") browser.get(‘https://www.zhihu.com/explore‘) from selenium import webdriver 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(‘https://www.baidu.com‘) #相当于res = requests.get(url)和soup = BeautifulSoup(res.text, ‘lxml‘) input = browser.find_element_by_id(‘kw‘) #相当于item=soup.select(".board-item-content a") input.send_keys(‘Python‘) input.send_keys(Keys.ENTER) wait = WebDriverWait(browser, 10) wait.until(EC.presence_of_element_located((By.ID, ‘content_left‘))) print(browser.current_url) print(browser.get_cookies()) print(browser.page_source) finally: browser.close()
(二)步骤详解
1.访问页面
1 from selenium import webdriver 2 import time 3 4 browser=webdriver.Chrome(r"C:\chromedriver.exe") 5 #在Python中\是转义符,\u表示其后是UNICODE编码,因此\User在这里会报错,在字符串前面加个r表示就可以了 6 #注意,是chromedrive.exe 而不是chrome.exe。在这里下载http://npm.taobao.org/mirrors/chromedriver/ 7 browser.get(‘https://www.taobao.com/‘) 8 9 time.sleep(5) #网页等待五秒后关闭 10 browser.close() #不输入这行就不会关闭网页
2.查找元素
(1)单个元素
- find_element_by_name
- find_element_by_xpath
- find_element_by_link_text
- find_element_by_partial_link_text
- find_element_by_tag_nam
- find_element_by_class_name
- find_element_by_css_selector(find_element_by_id(‘q‘)=find_element(By.ID, ‘q‘))
(2)多个元素
- 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
from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.taobao.com‘) input_first = browser.find_element_by_id(‘q‘) input_second = browser.find_element_by_css_selector(‘#q‘) input_third = browser.find_element_by_xpath(‘//*[@id="q"]‘) print(input_first, input_second, input_third) browser.close()
3.获取属性
from selenium import webdriver from selenium.webdriver import ActionChains ? browser = webdriver.Chrome() url = ‘https://www.zhihu.com/explore‘ browser.get(url) logo = browser.find_element_by_id(‘zh-top-link-logo‘) print(logo) print(logo.get_attribute(‘class‘))
4.获取文本值
from selenium import webdriver browser = webdriver.Chrome() url = ‘https://www.zhihu.com/explore‘ browser.get(url) input = browser.find_element_by_class_name(‘zu-top-add-question‘) print(input.text)
5.获取ID、位置、标签名、大小
from selenium import webdriver browser = webdriver.Chrome() url = ‘https://www.zhihu.com/explore‘ browser.get(url) input = browser.find_element_by_class_name(‘zu-top-add-question‘) print(input.id) print(input.location) print(input.tag_name) print(input.size)
6.Frame
import time from selenium import webdriver from selenium.common.exceptions import NoSuchElementException browser = webdriver.Chrome() url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘ browser.get(url) browser.switch_to.frame(‘iframeResult‘) source = browser.find_element_by_css_selector(‘#draggable‘) print(source) try: logo = browser.find_element_by_class_name(‘logo‘) except NoSuchElementException: print(‘NO LOGO‘) browser.switch_to.parent_frame() logo = browser.find_element_by_class_name(‘logo‘) print(logo) print(logo.text)
三、动态操作
(一)元素交互操作
对获取的元素调用交互方法
from selenium import webdriver from selenium.webdriver.common.by import By import time
browser=webdriver.Chrome(r"C:\chromedriver.exe") #在Python中\是转义符,\u表示其后是UNICODE编码,因此\User在这里会报错,在字符串前面加个r表示就可以了 #注意,是chromedrive.exe 而不是chrome.exe。在这里下载http://npm.taobao.org/mirrors/chromedriver/ browser.get(‘https://www.taobao.com/‘) input=browser.find_element_by_id("q") input.send_keys("DELL") # button=browser.find_element_by_class_name("btn-search") button=browser.find_element_by_css_selector(".btn-search") #两个是等价的 ,<button> 控件 与 <input type="button"> 相比,提供了更为强大的功能和更丰富的内容。 button.click() browser.close()
更多操作: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement
(二)交互动作
将动作附加到动作链中串行执行
from selenium import webdriver from selenium.webdriver import ActionChains from bs4 import BeautifulSoup import lxml import requests browser=webdriver.Chrome(r"C:\chromedriver.exe") browser.get("http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable") browser.switch_to.frame("iframeResult") #iframe 元素会创建包含另外一个文档的内联框架(即行内框架),这里是跳进里层的这个框架 source=browser.find_element_by_css_selector("#draggable") target=browser.find_element_by_css_selector("#droppable") action=ActionChains(browser) action.drag_and_drop(source,target) action.perform()
更多操作: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains
(三)执行javascript
没有提供想执行运作的API
from selenium import webdriver browser = webdriver.Chrome(r"C:\chromedriver.exe") browser.get(‘https://www.zhihu.com/explore‘) browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘) browser.execute_script(‘alert("To Bottom")‘)
执行下拉,下拉到底部后提示
(四)等待
1.隐式等待
当使用了隐式等待执行测试的时候,如果 WebDriver没有在 DOM中找到元素,将继续等待,超出设定时间后则抛出找不到元素的异常, 换句话说,当查找元素或元素并没有立即出现的时候,隐式等待将等待一段时间再查找 DOM,默认的时间是0
from selenium import webdriver browser = webdriver.Chrome() browser.implicitly_wait(10) browser.get(‘https://www.zhihu.com/explore‘) input = browser.find_element_by_class_name(‘zu-top-add-question‘) print(input)
2.显式等待
from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC browser = webdriver.Chrome() browser.get(‘https://www.taobao.com/‘) wait = WebDriverWait(browser, 10) input = wait.until(EC.presence_of_element_located((By.ID, ‘q‘))) button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ‘.btn-search‘))) print(input, button)
- title_is 标题是某内容
- title_contains 标题包含某内容
- presence_of_element_located 元素加载出,传入定位元组,如(By.ID, ‘p‘)
- visibility_of_element_located 元素可见,传入定位元组
- visibility_of 可见,传入元素对象
- presence_of_all_elements_located 所有元素加载出
- text_to_be_present_in_element 某个元素文本包含某文字
- text_to_be_present_in_element_value 某个元素值包含某文字
- frame_to_be_available_and_switch_to_it frame加载并切换
- invisibility_of_element_located 元素不可见
- element_to_be_clickable 元素可点击
- staleness_of 判断一个元素是否仍在DOM,可判断页面是否已经刷新
- element_to_be_selected 元素可选择,传元素对象
- element_located_to_be_selected 元素可选择,传入定位元组
- element_selection_state_to_be 传入元素对象以及状态,相等返回True,否则返回False
- element_located_selection_state_to_be 传入定位元组以及状态,相等返回True,否则返回False
- alert_is_present 是否出现Alert
详细内容:http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions
(五)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(‘https://www.python.org/‘) browser.back() time.sleep(1) browser.forward() browser.close()
(六)Cookies
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())
(七)选项卡管理
import time from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.baidu.com‘) browser.execute_script(‘window.open()‘) print(browser.window_handles) browser.switch_to_window(browser.window_handles[1]) browser.get(‘https://www.taobao.com‘) time.sleep(1) browser.switch_to_window(browser.window_handles[0]) browser.get(‘https://python.org‘)
(八)异常处理
from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.baidu.com‘) browser.find_element_by_id(‘hello‘)
from selenium import webdriver from selenium.common.exceptions import TimeoutException, NoSuchElementException browser = webdriver.Chrome() try: browser.get(‘https://www.baidu.com‘) except TimeoutException: print(‘Time Out‘) try: browser.find_element_by_id(‘hello‘) except NoSuchElementException: print(‘No Element‘) finally: browser.close()
详细文档:http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions
以上是关于爬虫(selenium)的主要内容,如果未能解决你的问题,请参考以下文章