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
  

高级爬虫: 使用 Selenium 浏览器_第1张图片
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

高级爬虫: 使用 Selenium 浏览器_第2张图片

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

你可能感兴趣的:(爬虫,selenium,python,爬虫)