高级爬虫: 使用 Selenium 浏览器

 安装Selenium和chromedriver：

因为 Selenium 需要操控你的浏览器, 所以安装起来比传统的 Python 模块要多几步. 先在 terminal 或者 cmd 用 pip 安装 selenium.

# python 2+
pip install selenium

# python 3+
pip3 install selenium

要操控浏览器, 你就要有浏览器的 driver. Selenium 针对几个主流的浏览器都有 driver. 针对 Linux 和 MacOS.下载完成后，放到不需要权限的纯英文目录下就可以了。

也有所放在Windows 的环境变量中(PATH）两者使用方法有差别

Chrome:	https://sites.google.com/a/chromium.org/chromedriver/downloads
Edge:	https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
Firefox:	https://github.com/mozilla/geckodriver/releases
Safari:	https://webkit.org/blog/6900/webdriver-support-in-safari-10/

python使用selenium

没有放在path路径下需要

from selenium import webdriver
# chromedriver的绝对路径
driver_path = r'F:\su\soft\chromedriver_win32\chromedriver.exe'
# 初始化一个driver，并且指定chromedriver的路径
driver = webdriver.Chrome(executable_path=driver_path)

配置完环境可以

设置环境变量

 

#Simple assignment
from selenium.webdriver import Chrome

driver = Chrome()

#Or use the context manager
from selenium.webdriver import Chrome

with Chrome() as driver:
    #your code inside this indent
  

path中加入chromedriver的路径，也可以放到python目录下，一般我们的python已经配置过环境了

这样就可以使用了

关闭页面：

1. driver.close()：关闭当前页面。
2. driver.quit()：退出整个浏览器。

定位元素：

1. find_element_by_id：根据id来查找某个元素。等价于：

    submitTag = driver.find_element_by_id('su')
    submitTag1 = driver.find_element(By.ID,'su')
   

2. find_element_by_class_name：根据类名查找元素。 等价于：

    submitTag = driver.find_element_by_class_name('su')
    submitTag1 = driver.find_element(By.CLASS_NAME,'su')
   

3. find_element_by_name：根据name属性的值来查找元素。等价于：

    submitTag = driver.find_element_by_name('email')
    submitTag1 = driver.find_element(By.NAME,'email')
   

4. find_element_by_tag_name：根据标签名来查找元素。等价于：

    submitTag = driver.find_element_by_tag_name('div')
    submitTag1 = driver.find_element(By.TAG_NAME,'div')
   

5. find_element_by_xpath：根据xpath语法来获取元素。等价于：

    submitTag = driver.find_element_by_xpath('//div')
    submitTag1 = driver.find_element(By.XPATH,'//div')
   

6. find_element_by_css_selector：根据css选择器选择元素。等价于：

    submitTag = driver.find_element_by_css_selector('//div')
    submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')
   

   要注意，find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。

操作表单元素：

1. 操作输入框：分为两步。第一步：找到这个元素。第二步：使用send_keys(value)，将数据填充进去。示例代码如下：

    inputTag = driver.find_element_by_id('kw')
    inputTag.send_keys('python')
   

   使用clear方法可以清除输入框中的内容。示例代码如下：

    inputTag.clear()
   

2. 操作checkbox：因为要选中checkbox标签，在网页中是通过鼠标点击的。因此想要选中checkbox标签，那么先选中这个标签，然后执行click事件。示例代码如下：

    rememberTag = driver.find_element_by_name("rememberMe")
    rememberTag.click()
   

3. 选择select：select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中，创建这个对象。以后就可以使用这个对象进行选择了。示例代码如下：

    from selenium.webdriver.support.ui import Select
    # 选中这个标签，然后使用Select创建对象
    selectTag = Select(driver.find_element_by_name("jumpMenu"))
    # 根据索引选择
    selectTag.select_by_index(1)
    # 根据值选择
    selectTag.select_by_value("http://www.95yueba.com")
    # 根据可视的文本选择
    selectTag.select_by_visible_text("95秀客户端")
    # 取消选中所有选项
    selectTag.deselect_all()
   

4. 操作按钮：操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。示例代码如下：

    inputTag = driver.find_element_by_id('su')
    inputTag.click()
   

行为链：

有时候在页面中的操作可能要有很多步，那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件。那么示例代码如下：

inputTag = driver.find_element_by_id('kw')
submitTag = driver.find_element_by_id('su')

actions = ActionChains(driver)
actions.move_to_element(inputTag)
actions.send_keys_to_element(inputTag,'python')
actions.move_to_element(submitTag)
actions.click(submitTag)
actions.perform()

还有更多的鼠标相关的操作。

• click_and_hold(element)：点击但不松开鼠标。
• context_click(element)：右键点击。
• double_click(element)：双击。 更多方法请参考：http://selenium-python.readthedocs.io/api.html

Cookie操作：

1. 获取所有的cookie：

    for cookie in driver.get_cookies():
        print(cookie)
   

2. 根据cookie的key获取value：

    value = driver.get_cookie(key)
   

3. 删除所有的cookie：

    driver.delete_all_cookies()
   

4. 删除某个cookie：

    driver.delete_cookie(key)
   

页面等待：

现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。为了解决这个问题。所以 Selenium 提供了两种等待方式：一种是隐式等待、一种是显式等待。

1. 隐式等待：调用driver.implicitly_wait。那么在获取不可用的元素之前，会先等待10秒中的时间。示例代码如下：

   driver = webdriver.Chrome(executable_path=driver_path)
   driver.implicitly_wait(10)
   # 请求网页
   driver.get("https://www.douban.com/")
   

2. 显示等待：显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间，如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。示例代码如下：

    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
   
    driver = webdriver.Firefox()
    driver.get("http://somedomain/url_that_delays_loading")
    try:
        element = WebDriverWait(driver, 10).until(
            EC.presence_of_element_located((By.ID, "myDynamicElement"))
        )
    finally:
        driver.quit()
   

3. 一些其他的等待条件：

   • presence_of_element_located：某个元素已经加载完毕了。
   • presence_of_all_emement_located：网页中所有满足条件的元素都加载完毕了。

   • element_to_be_cliable：某个元素是可以点击了。

     更多条件请参考：http://selenium-python.readthedocs.io/waits.html

切换页面：

有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。selenium提供了一个叫做switch_to_window来进行切换，具体切换到哪个页面，可以从driver.window_handles中找到。示例代码如下：

# 打开一个新的页面
self.driver.execute_script("window.open('"+url+"')")
# 切换到这个新的页面中
self.driver.switch_to_window(self.driver.window_handles[1])

设置代理ip：

有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip，不同的浏览器有不同的实现方式。这里以Chrome浏览器为例来讲解：

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://110.73.2.248:8123")
driver_path = r"D:\ProgramApp\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)

driver.get('http://httpbin.org/ip')

WebElement元素：

from selenium.webdriver.remote.webelement import WebElement类是每个获取出来的元素的所属类。
有一些常用的属性：

1. get_attribute：这个标签的某个属性的值。
2. screentshot：获取当前页面的截图。这个方法只能在driver上使用。
   driver的对象类，也是继承自WebElement。
   更多请阅读相关源代码。

参考资料：https://selenium-python.readthedocs.io/installation.html#introduction