selenium模块介绍
selenium最初是一个测试工具,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,能支持多种浏览器。
Selenium自己不带浏览器,不支持浏览器的功能,它需要与第三方浏览器结合在一起才能使用。但是我们有时候需要让它内嵌在代码中运行,所有我们而已用一个叫PhantomJS的工具代替真实的浏览器。
Selenium官方参考文档:`http://selenium-python.readthedocs.io/index.html`
from selenium import webdriver
browser=webdriver.Chrome()
browser=webdriver.Firefox()
browser=webdriver.PhantomJS() #无窗口浏览器
browser=webdriver.Safari()
安装
安装:selenium+chromedriver
pip3 install selenium
chromedriver:
下载地址:http://chromedriver.storage.googleapis.com/index.html
chromedriver与chrome的对应关系表
chromedriver版本 | 支持的Chrome版本 |
---|---|
v2.37 | v64-66 |
v2.36 | v63-65 |
v2.35 | v62-64 |
v2.34 | v61-63 |
v2.33 | v60-62 |
v2.32 | v59-61 |
v2.31 | v58-60 |
v2.30 | v58-60 |
v2.29 | v56-58 |
v2.28 | v55-57 |
v2.27 | v54-56 |
v2.26 | v53-55 |
v2.25 | v53-55 |
v2.24 | v52-54 |
v2.23 | v51-53 |
v2.22 | v49-52 |
v2.21 | v46-50 |
v2.20 | v43-48 |
v2.19 | v43-47 |
v2.18 | v43-46 |
v2.17 | v42-43 |
v2.13 | v42-45 |
v2.15 | v40-43 |
下载之后放到放到python安装路径的目录中即可
代码测试
from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_argument('--window-position=0,0'); # chrome 启动初始位置
options.add_argument('--window-size=1080,800'); # chrome 启动初始大小
# options.add_argument('--proxy-server=http://ip:port')
# options.add_arguments("start-maximized") 最大化窗口
browser=webdriver.Chrome(chrome_options=options) browser.get('http://www.baidu.com')
print(browser.page_source)
安装:selenium+phantomjs
下载phantomjs,解压后把phantomjs.exe所在的bin目录放到环境变量
下载链接:http://phantomjs.org/download.html
需要把phantomjs.exe拷贝到你的python安装路径
代码测试
from selenium import webdriver
# browser=webdriver.Chrome()
# browser=webdriver.Firefox()
browser=webdriver.PhantomJS() # 无窗口浏览器
# 需要把phantomjs拷贝到你的python安装路径
browser.get('http://www.baidu.com')
print(browser.page_source)
使用Headless Chrome
Headless模式是Chrome 59中的新特征,要使用Chrome需要安装chromedriver
from selenium import webdriver
from selenium.webdriver.chrome.options import Options chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.get("https://www.baidu.com/")
print(browser.page_source) # 得到文本信息
页面操作
Selenium的WebDriver提供了各种方法来寻找元素
对于一个表单框
<input type="text" name="user-name" id="user-id" /> #获取id标签值
element = browser.find_element_by_id("user-id")
#获取name值
element = browser.find_element_by_name("user-name")
#获取标签名
element = browser.find_element_by_tag("input")
#也可以通过XPath来匹配
element = browser.find_element_by_xpath('//*input[@id="user-id"]/')
元素选取
在一个页面中有很多不同的策略可以定位一个元素。我们可以选择最合适的方法去查找元素。Selenium提供了下列的方法:
单个元素: find_element_by_id find_element_by_name find_element_by_xpath find_element_by_link_text find_element_by_class_name find_element_by_css_selector 多个元素: find_elements_by_id ....
1. By ID
元素 <div id="id1">...</div> # 实现
element = browser.find_element_by_id("id1")
#---------or-------
from selenium.webdriver.common.by import By
element = browser.find_element(by=By.ID, value="id1")
2. By Class Name
<div class="cheese"><span>hihi</span></div> 实现
cheese = browser.find_element_by_class_name('cheese')
# ----------------or--------------------
from selenium.webdriver.common.by import By
cheese = browser.find_elements(By.CLASS_NAME, "cheese")
3.By Name
<input name="cheese" type="text" />
# 实现
cheese = browser.find_element_by_name("cheese") # -------------or-------------------------
from selenium.webdrier.common.by import By
cheese = browser.find_element(By.NAME, "cheese")
4. By Link Text
<a href="http://www.google.com/search?q=cheese">cheese</a>
# 实现 cheese = browser.find_element_by_link_text("cheese")
# ---------------------or-----------------------
from selenium.webdriver.common.by import By
cheese = browser.find_element(By.LINK_TEXT, "cheese")
5.By CSS
<div id="food"><span class="dairy">milk</span></div>
实现 cheese = browser.find_element_by_css_selector("#food span.dairy")
# ----------------or-------------------------------
from selenium.webdriver.common.by import By
cheese = browser.find_element(By.CSS_SELECTOR, "#food span.dairy")
6.By XPath
<input id="kw" name="wd" class="s_ipt" value="" maxlength="" autocomplete="off">
实现 inputs = browser.find_elements_by_xpath('//*[@id="kw"]')
# -------------------or------------------
from selenium.webdriver.common.by import By
inputs = browser.find_elements(By.XPATH, '//*[@id="kw"]')
7.By Partial Link Text
partial link text就是选择这个元素的link text中一部分字段。
<a href="http://www.google.com/search?q=cheese">search for cheese</a>
# 实现 cheese = driver.find_element_by_partial_link_text("cheese")
# -----------------or-----------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.PARTIAL_LINK_TEXT, "cheese")
8.使用案例
导入webdriver
from selenium import webdriver
import time #要想调用键盘按键操作需要引入keys包
from selenium.webdriver.common.keys import Keys #调用环境变量指定的PhantomJS浏览器创建浏览器对象
driver = webdriver.PhantomJS()
driver.set_window_size(1920, 1080) # 此句必须加上,否则会报错
#如果没有在环境变量指定PhantomJS位置
#driver = webdriver.PhantomJS(executable_path = "C:\phantomjs\bin\phantomjs.exe") #get方法会一直等到页面加载,然后才会继续程序,通常测试会在这里选择time.sleep(2)
time.sleep(2)
driver.get("http://www.baidu.com/") # 获取css=#u1 > a:nth-child(1)文本内容
data = driver.find_element_by_css_selector('#u1 > a:nth-child(1)').text # 打印数据内容
print(data) # 新闻 # 生成页面快照并保存
driver.save_screenshot("baidu.png") # 搜索
# # id="kw"是百度搜索输入框,输入字符串"长城"
driver.find_element_by_id('kw').send_keys('长城') # id="su"是百度搜索按钮,click()是模拟点击
driver.find_element_by_id('su').click()
time.sleep(1)
# 获取新的页面快照
driver.save_screenshot("长城.png") # 打印网页渲染后的源代码
print(driver.page_source) # 获取当前页面Cookie
print('cookies: ',driver.get_cookies())
#
#ctrl+a全选输入框内容
driver.find_element_by_id('kw').send_keys(Keys.CONTROL, 'a')
#ctrl+x剪切输入框内容
driver.find_element_by_id('kw').send_keys(Keys.CONTROL, 'x')
#
#输入框重新输入内容
driver.find_element_by_id('kw').send_keys('python')
#
# 模拟Enter回车键
driver.find_element_by_id('su').send_keys(Keys.RETURN)
time.sleep(5)
# 清空输入框内容
driver.find_element_by_id('kw').clear()
#生成新的页面快照
driver.save_screenshot('python.png')
#获取当前url
print(driver.current_url) driver.quit()
driver.close()
页面交互
弹窗处理
当你触发了某个事件之后,页面出现了弹窗提示,处理这个提示或者获取提示信息方法如下
alert = driver.switch_to_alert()
alert.accept()
窗口切换
在使用selenium操作浏览器的时候肯定会有很多窗口,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
首先通过driver.window_handles获取每个窗口的操作对象, 然后for循环达到切换窗口的目的。
for handle in driver.window_handles:
driver.switch_to_window(handle)
#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()
JS执行
from selenium import webdriver
try:
browser=webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('alert("hello world")') #打印警告
time.sleep(10)
finally:
browser.close()
页面的前进和后退
操作页面的前进和后退功能:
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
获取页面每个Cookies值,用法如下:
from selenium import webdriver browser = webdriver.Chrome()
browser.get('https://www.baidu.com/')
# print(browser.get_cookies())
for cookie in browser.get_cookies():
print("%s -> %s"%(cookie['name'], cookie['value']))
删除Cookies,用法如下:
#By name
driver.delete_cookie('CookieName') #all
driver.delete_all_cookies()
frame切换
try:
browser=webdriver.Chrome()
browser.get('http://www.runoob.com/try/try.php?filename=tryjs_while') browser.switch_to.frame('iframeResult') #切换到id为iframeResult的frame
time.sleep(3)
tag1=browser.find_element_by_id('demo')
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
time.sleep(3) tag2=browser.find_element_by_id('textareaCode')
print(tag2) finally:
browser.close()
元素的拖动
在selnium当中除了简单的点击动作之外,还有一些稍微复杂动作如元素的拖拽。在实现元素拖拽的时候需要使用另外一个模块。ActionChains这个模块基本可以满足我们对鼠标操作的需求。
ActionChains的执行原理就是当调用ActionChains方法的时候不会立即执行,而是将所有的操作暂时存储在一个队列中,当调用perform()的方法时候,队列会按照放入的先后顺序依次执行。
ActionChains提供的方法 click(on_element=None) #单击鼠标左键 click_and_hold(on_element=None) #点击鼠标左键,按住不放 context_click(on_element=None) #点击鼠标右键 double_click(on_element=None) #双击鼠标左键 drag_and_drop(source,target) #拖拽到某个元素然后松开 drag_and_drop_by_offset(source,xoffset, yoffset)#拖拽到某个坐标然后松开 move_by_offset(xoffset,yoffset) #鼠标移动到距离当前位置(x,y) move_to_element(to_element) #鼠标移动到某个元素 move_to_element_with_offset(to_element,xoffset, yoffset) #将鼠标移动到距某个元素多少距离的位置 release(on_element=None) #在某个元素位置松开鼠标左键 perform() #执行链中的所有动作
示例:
#导入ActionChains类
from selenium.webdriver.common.action_chains import ActionChains #鼠标移动到ac位置
ac = driver.find_elenemt_by_xpath('element')
ActionChains(driver).move_to_element(ac).perform() #在ac位置单击
ac = driver.find_element_by_xpath('elementA')
ActionChains(driver).move_to_element(ac).click(ac).perform() #在ac位置双击
ac = driver.find_element_by_xpath("elementB")
ActionChains(driver).move_to_element(ac).double_click(ac).perform() #在ac位置右击
ac = driver.find_element_by_xpath('elementC')
ActionChains(driver).move_to_element(ac).context_click(ac).perform() #在ac位置左键单击hold住
ac = driver.find_element_by_xpath('elementF')
ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform() #将ac1拖拽到ac2位置
ac1 = driver.find_element_by_xpath('elementD')
ac2 = driver.find_element_by_xpath('elementE')
ActionChains(driver).drag_and_drop(ac1, ac2).perform()
实例
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains
import time
driver = webdriver.Chrome()
try:
driver.get('http://www.treejs.cn/v3/demo/cn/exedit/drag.html')
time.sleep(5)
element = driver.find_element_by_id('treeDemo_1_span')
target = driver.find_element_by_id('treeDemo_17_span')
ActionChains(driver).drag_and_drop(element, target).perform()
time.sleep(10)
finally:
driver.quit()
填充表单
我们已经知道了怎样向文本框输入文字,但是有时候我们会碰到<select></select>
标签的下拉框。直接点击下拉框中的选项不一定可行。
<select id="status" class="form-control valid" onchange="" name = 'status'>
<option value=""></option>
<option value="">未审核</option>
<option value="">初审通过</option>
<option value="">复审通过</option>
<option value="">审核不通过</option>
</select>
Selenium专门提供了Select类来处理下拉框。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:
# 导入Select类
from selenium.webdriver.support.ui import Select driver = webdriver.PhantomJS()
#找到name的选项卡
select = Select(driver.find_element_by_name('status')) #s
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text('未审核')
# 以上是三种选择下拉框的方式,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。注意:
#
# index索引从0开始
# value是option标签的一个属性值,并不是显示在下拉框中的值
# visible_text实在option标签文本的值,是显示在下拉框的值
# 全部取消选择怎么办呢?很简单: select.deselect_all()
页面等待
现在的大多数的Web应用程序越来越多采用了 Ajax技术,以及程序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。
在selenium当*有两种等待页面加载的方式,显示等待和隐示等待。
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。
显示等待主要使用了WebDriverWait类与expected_conditions模块。
WebDriverWait类是显性等待类,先看下它有哪些参数与方法: init driver: 传入WebDriver实例。 timeout: 超时时间,等待的最长时间(同时要考虑隐性等待时间) poll_frequency: 调用until中的方法的间隔时间,默认是0.5秒 ignored_exceptions:忽略的异常,如果在调用until的过程中抛出这个元组中的异常, 则不中断代码,继续等待,如果抛出的是这个元组外的异常,则中断代码,抛出异常。默认只有NoSuchElementException。 until method: 在等待期间,每隔一段时间调用这个传入的方法,直到返回值不是False message:如果超时,抛出TimeoutException,将message传入异常
expected_conditions是selenium的一个模块,其中包含一系列可用于判断的条件: 这两个条件类验证title,验证传入的参数title是否等于或包含于driver.title title_is title_contains 这两个人条件验证元素是否出现,传入的参数都是元组类型的locator,如(By.ID,'kw') 顾名思义,一个只要一个符合条件的元素加载出来就通过;另一个必须所有符合条件的元素都加载出来才行 presence_of_element_located presence_of_all_elements_located 这三个条件验证元素是否可见,前两个传入参数是元组类型的locator,第三个传入WebElement 第一个和第三个其实质是一样的 visibility_of_element_located invisibility_of_element_located visibility_of 这两个人条件判断某段文本是否出现在某元素中,一个判断元素的text,一个判断元素的value text_to_be_present_in_element text_to_be_present_in_element_value 这个条件判断frame是否可切入,可传入locator元组或者直接传入定位方式:id、name、index或WebElement frame_to_be_available_and_switch_to_it 这个条件判断是否有alert出现 alert_is_present 这个条件判断元素是否可点击,传入locator element_to_be_clickable
代码使用
from selenium import webdriver
from selenium.webdriver.common.by import By #WebDriverWait库,负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
#expected_conditions类,负责条件触发
from selenium.webdriver.support import expected_conditions as EC driver = webdriver.Chrome() driver.get("http://www.xxxx.com/") try:
#页面一直循环,直到id="myDynamicElement"出现
element = WebDriverWait(driver, 10).until(
EC.presence_of_element_located((By.ID, "loginname"))
)
finally:
driver.quit()
代码举例
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By driver = webdriver.Chrome()
driver.get('https://baidu.com')
locator = (By.LINK_TEXT, '贴吧') try:
WebDriverWait(driver, 20, 0.5).until(EC.presence_of_element_located(locator))
print(driver.find_element_by_link_text('贴吧').get_attribute('href'))
finally:
driver.close()
隐性等待
隐性等待implicitly_wait(xx),隐形等待是设置了一个最长等待时间,如果在规定时间内网页加载完成,
则执行下一步,否则一直等到时间截止,然后执行下一步。
弊端就是程序会一直等待整个页面加载完成,就算你需要的元素加载出来了还是需要等待
from selenium import webdriver
driver = webdriver.Chrome()
driver.implicitly_wait(30)
driver.get('https://www.baidu.com')
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()
phantomjs介绍
PhantomJS是一个*面的,可脚本编程的WebKit浏览器引擎。它原生支持多种web标准:DOM 操作,CSS选择器,JSON,Canvas 以及SVG。
phantomjs常用配置
# 引入配置对象DesiredCapabilities fromselenium.webdriver.common.desired_capabilities import DesiredCapabilities dcap =dict(DesiredCapabilities.PHANTOMJS) #从USER_AGENTS列表中随机选一个浏览器头,伪装浏览器 dcap["phantomjs.page.settings.userAgent"]= (random.choice(USER_AGENTS)) # 不载入图片,爬页面速度会快很多 dcap["phantomjs.page.settings.loadImages"]= False # 设置代理 service_args =['--proxy=127.0.0.1:9999','--proxy-type=socks5'] #打开带配置信息的phantomJS浏览器 driver =webdriver.PhantomJS(phantomjs_driver_path,desired_capabilities=dcap,service_args=service_args)
模拟登录微博
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC # 提供事件
from selenium.webdriver.common.by import By
import time #如果获取页面时获取不到文本内容,加入下面参数
browser = webdriver.PhantomJS(service_args=['--ignore-ssl-errors=true', '--ssl-protocol=any'])
browser.set_window_size(1366, 768)
browser.get('https://weibo.com/') # print(driver.page_source)
#输入账号和密码
try:
username = ''
pwd = ''
wait = WebDriverWait(browser, 20, 0.5)
wait.until(EC.presence_of_all_elements_located((By.XPATH, '//*[@id="loginname"]')))
wait.until(EC.presence_of_all_elements_located((By.XPATH, '//*[@id="pl_login_form"]/div/div[3]/div[2]/div/input')))
user = browser.find_element_by_xpath('//*[@id="loginname"]')
user.clear() # 清除数据
user.send_keys(username) # 输入数据
time.sleep(5)
password = browser.find_element_by_xpath('//*[@id="pl_login_form"]/div/div[3]/div[2]/div/input')
password.send_keys(pwd) # 输入数据 page = browser.find_element_by_xpath('//*[@id="pl_login_form"]/div/div[3]/div[6]/a').click() # 点击按钮跳转
# print(browser.page_source) # 得到文本信息
time.sleep(5)
# 生成登录后快照
with open('weibo.html', 'w',encoding='utf-8') as f:
f.write(browser.page_source) # 写入文本信息
except Exception as e:
print(e)
finally:
browser.quit() #退出驱动
爬取京东商城商品信息
import time from selenium import webdriver
from selenium.webdriver.common.keys import Keys # 键盘按键操作 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')
# J_goodsList > ul > li:nth-child(5) > div > div.p-price > strong > i
# J_goodsList > ul > li:nth-child(1) > div > div.p-name.p-name-type-2 > a > em > font
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 = driver.find_element_by_xpath('//*[@id = "J_bottomPage"]/span[1]/a[9]/em')
button.click()
time.sleep(1)
print('-----------下一页------------')
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='iPhoneX手机')
自动登录163并且自动发送邮箱
from selenium import webdriver browser=webdriver.Chrome()
wait = browser.implicitly_wait(10)
try:
browser.get('http://mail.163.com/')
#首先先切到ifame下面
frame = browser.switch_to.frame("x-URS-iframe")
input_user = browser.find_element_by_name("email")
input_pwd = browser.find_element_by_name("password")
loginbutton = browser.find_element_by_id("dologin") input_user.send_keys("aaa") #输入邮箱
input_pwd.send_keys("aaa") #输入密码
loginbutton.click() #点击登录 # 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() #登录完成之后开始点击写信
write_msg = browser.find_element_by_xpath("//div[@id='dvNavTop']//li[2]") #获取第二个li标签就是“写信”了
print(write_msg.text)
write_msg.click() #点击写信按钮 #找到写信的输入框输入内容
recv_man = browser.find_element_by_class_name('nui-editableAddr-ipt') #收件人
title = browser.find_element_by_css_selector('.dG0 .nui-ipt-input') #标题
content = browser.find_element_by_class_name("nui-scroll") recv_man.send_keys("1234567@qq.com")
title.send_keys("每天都要开心,开心最重要!!!")
print(title.tag_name) #输入要发送的内容
frame = browser.find_element_by_class_name("APP-editor-iframe")
frame = browser.switch_to.frame(frame) body = browser.find_element_by_xpath("//body")
print(body.text)
body.send_keys("啦啦啦啦啦啦")
#找到发送按钮。点击发送
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) finally:
browser.quit()