爬虫----selenium模块

2022-09-25 14:46:17

一、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，可支持多种浏览器

from selenium import webdriver

browser=webdriver.Chrome()

browser=webdriver.Firefox()

browser=webdriver.PhantomJS()  #无窗口浏览器

browser=webdriver.Safari()

browser=webdriver.Edge()

二、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

selenium+chromedriver

 #安装：selenium+phantomjs

 pip3 install selenium

 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

 #验证安装

 C:\Users\Administrator>phantomjs

 phantomjs> console.log('egon gaga')

 egon gaga

 undefined

 phantomjs> ^C

 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.PhantomJS() #*面浏览器

 >>> driver.get('https://www.baidu.com')

 >>> driver.page_source

selenium+phantomjs

三、基本使用

from selenium import webdriver

from selenium.webdriver import ActionChains   #破解活动验证码的时候用到

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  #这个下面的一个是配合来使用的

from selenium.webdriver.support.wait import WebDriverWait  #等待页面加载某些元素

browser = webdriver.Chrome()  # 弹出浏览器

try:

    browser.get("https://ai.taobao.com/")  #打开要访问的页面

    input_tag = browser.find_element_by_id("key")  #找到搜索框

    input_tag.send_keys("生日礼物") #输入内容

    input_tag.send_keys(Keys.ENTER) #按回车

    wait = WebDriverWait(browser,10)

    wait.until(EC.presence_of_element_located((By.CLASS_NAME,"waterfall-bg"))) #等到class为waterfall-bg的元素加载完毕(也就是等加载的内容加载完),
最多等10秒

    print(browser.page_source)

    print(browser.current_url)

    print(browser.get_cookies())

except Exception as error:

    print(error)

finally:

    browser.close()

四、选择器

一 基本用法

 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

 import time

 driver = webdriver.Chrome()

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

 wait = driver.implicitly_wait(10)  #隐式等待，等所有，默认等10秒

 #显示等待的用法

 # wait = WebDriverWait(driver,10)  #显示等待，等指定的，和EC配合这使用

 # wait.until(EC.presence_of_element_located((By.ID,"kw")))

 # 如果显示等待是不能进行点击的，如果要点击，就得按照下面这样的方式，而隐式等待就不用考虑这个问题了。

 # button = wait.until(EC.element_to_be_clickable((By.ID,"kw")))

 # button.click()

 try:

     # 1、find_element_by_id通过id来找

     # tag = driver.find_element_by_id("su")

     # print(tag.get_attribute("value"))  #获取上面这个标签的属性

     # 2、find_element_by_link_text通过有链接的文本去找

     # login = driver.find_element_by_link_text("登录")

     # print(login.get_attribute("href"))

     # login.click()  #点击登录按钮

     # 3、find_element_by_partial_link_text 找到包含这个录字的链接文本去找

     # login =  driver.find_element_by_partial_link_text("录")

     # login.click()

     # 4、find_element_by_tag_name通过标签的名字去找

     # print(driver.find_element_by_tag_name("a"))

     # time.sleep(5)

     # 5、find_element_by_class_name通过类名去找

     # print(driver.find_element_by_class_name("tang-pass-footerBarULogin"))

    # 6、通过css选择器找

    print(driver.find_element_by_css_selector("#kw"))

 finally:

     driver.quit()

二 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="data: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()

三 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()

获取标签属性

五、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
 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()

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()

 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()

显式等待

六、元素交互操作

 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()

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

 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()

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

 try:

     browser=webdriver.Chrome()

     browser.get('https://www.baidu.com')

     browser.execute_script('alert("hello world")') #打印警告

 finally:

     browser.close()

在交互动作比较难实现的时候可以自己写JS（万能方法）

 #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()

补充:frame的切换

七、其他

 #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()

模拟浏览器的前进后退

 #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()

cookies

 #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()

选项卡管理

 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()

异常处理

八、练习

 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()

 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("")  #输入邮箱

     input_pwd.send_keys("zhy..azjash1111")  #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("2533916647@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()

自动登录123并且自动发送邮箱

 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')

爬取京东商城商品信息

上一篇：Node.js V0.12新特性之性能优化


下一篇：label标签内含有input元素，点击事件会触发两次