文章

selenium爬虫

发表于
作者 JunQiang
13 分钟阅读
selenium爬虫

什么是Selenium

selenium 是一套完整的web应用程序测试系统，包含了

  • 测试的录制（selenium IDE）
  • 编写及运行（Selenium Remote Control）
  • 测试的并行处理（Selenium Grid）。

Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。

selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

环境搭建

  • Python3

  • python3 -m pip install selenium

    或者直接下载selenium包：

    https://pypi.python.org/pypi/selenium

    解压，cmd进入目录:

    python3 setup.py install

  • 安装Chrome driver » URL

    搜索对应的版本安装 brew install chromedriver

selenium基本使用

可以通过下面的方式先看看Selenium.Webdriver支持哪些浏览器

1
2

from selenium import webdriver
help(webdriver)

PhantomJS是一个而基于WebKit的服务端JavaScript API,支持Web而不需要浏览器支持，其快速、原生支持各种Web标准：Dom处理，CSS选择器，JSON等等。

PhantomJS可以用用于页面自动化、网络监测、网页截屏，以及无界面测试

声明浏览器对象

下面展示的是使用参数来创建一个 driver 对象，其中包括：

  1. headless：无界面浏览，运行时不打开浏览器。可以在生产环境中启用该参数；
  2. disable-dev-shm-usage：在容器中运行需要的参数，否则无法正常运行；
  3. no-sandbox：以非沙箱环境启动 chrome。注意，开启改参数会导致安全问题；但是不开启可能会导致爬虫启动失败。启动失败原因是 root 身份无法去掉 no-sandbox，因此在 Dockerfile 使用非 root 用户启动爬虫进程；
  4. user-agent、proxy-server：伪装 ua 和真实 ip，对抗反爬；
  5. excludeSwitches、useAutomationExtension、disable-blink-features：消除 web driver 痕迹；
  6. lang：设置语言和编码；
  7. implicitly_wait：隐性等待时间，用于在寻找元素时等待，如果在等待时间内找到了元素就立即执行操作；
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

from selenium import webdriver


def get_driver():
    options = webdriver.ChromeOptions()
    options.add_argument('--headless')  # 无界面浏览
    # options.add_argument('--no-sandbox')  # 注意，开启改参数会导致安全问题；但是不开启可能会导致爬虫启动失败。启动失败原因是 root 身份无法去掉 no-sandbox，因此在 Dockerfile 使用非 root 用户启动爬虫进程
    options.add_argument('--disable-dev-shm-usage') # 必需，否则执行过程中 page crash
    options.add_argument('user-agent={}'.format(get_ua())) # 伪装 user-agent 
    options.add_argument('--proxy-server=https://{}'.format(get_proxy())) # 代理服务器访问防止封 ip 
    # options.add_argument('--window-size=600,600') # 设置窗口大小 
    # options.add_argument('--incognito') # 开启无痕模式 
    options.add_experimental_option('excludeSwitches', ['enable-automation']) # 去掉"受自动测试软件控制"提醒，伪装真实用户访问 
    options.add_experimental_option('useAutomationExtension', False) 
    options.add_argument("disable-blink-features=AutomationControlled") # 关闭 webdriver 痕迹(window.navigator.webdriver) 
    options.add_argument('lang=zh_CN.UTF-8') # 设置默认编码为utf-8
    
    driver = webdriver.Chrome(options=options) 
    driver.implicitly_wait(10) # 等待加载 return driver
    pass

访问页面

1
2
3
4
5
6
7

from selenium import webdriver

browser = webdriver.Chrome()

browser.get("https://rootjhon.github.io")
print(browser.page_source)
browser.close()

上述代码运行后，会自动打开Chrome浏览器，并打开网页并打印网页源代码，然后关闭浏览器

查找元素

单个元素查找

1
2
3
4
5
6
7
8
9
10
11
12

from selenium import webdriver

browser = webdriver.Chrome()

browser.get("http://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)
print(input_second)
print(input_third)
browser.close()

这里我们通过三种不同的方式去获取响应的元素，

  • 通过id的方式

  • CSS选择器

  • xpath选择器

结果都是相同的。

这里列举一下常用的查找元素方法：

  • find_element_by_name
  • find_element_by_id
  • find_element_by_xpath
  • find_element_by_link_text
  • find_element_by_partial_link_text
  • find_element_by_tag_name
  • find_element_by_class_name
  • find_element_by_css_selector

下面这种方式是比较通用的一种方式：这里需要记住By模块所以需要导入from selenium.webdriver.common.by import By

1
2
3
4
5
6
7
8
9
10

from selenium import webdriver

from selenium.webdriver.common.by import By

browser = webdriver.Chrome()

browser.get("http://www.taobao.com")
input_first = browser.find_element(By.ID,"q")
print(input_first)
browser.close()

当然这种方法和上述的方式是通用的，browser.find_element(By.ID,”q”)这里By.ID中的ID可以替换为其他几个

多个元素查找

其实多个元素和单个元素的区别，举个例子：find_elements,单个元素是find_element,其他使用上没什么区别，通过其中的一个例子演示：

1
2
3
4
5
6
7

from selenium import webdriver

browser = webdriver.Chrome()
browser.get("http://www.taobao.com")
lis = browser.find_elements_by_css_selector('.service-bd li')
print(lis)
browser.close()

当然上面的方式也是可以通过导入

from selenium.webdriver.common.by import By 这种方式实现

lis = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')

同样的在单个元素中查找的方法在多个元素查找中同样存在：

  • find_elements_by_name
  • find_elements_by_id
  • 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

元素交互操作

对于获取的元素调用交互方法

1
2
3
4
5
6
7
8
9
10
11
12
13

from selenium import webdriver

import time

browser = webdriver.Chrome()
browser.get("http://www.taobao.com")
input_str = browser.find_element_by_id('q')
input_str.send_keys("ipad")
time.sleep(1)
input_str.clear()
input_str.send_keys("MakBook pro")
button = browser.find_element_by_class_name('btn-search')
button.click()

运行的结果可以看出程序会自动打开Chrome浏览器并打开淘宝输入ipad,然后删除，重新输入MakBook pro，并点击搜索

>> API手册

交互动作

将动作附加到动作链中串行执行

1
2
3
4
5
6
7
8
9
10
11
12
13

from selenium import webdriver
from selenium.webdriver import ActionChains

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')
target = browser.find_element_by_css_selector('#droppable')
actions = ActionChains(browser)
actions.drag_and_drop(source, target)
actions.perform()

>>更多操作参考：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

执行JavaScript

这是一个非常有用的方法，这里就可以直接调用js方法来实现一些操作， 下面的例子是通过登录知乎然后通过js翻到页面底部，并弹框提示

1
2
3
4
5

from selenium import webdriver
browser = webdriver.Chrome()
browser.get("http://www.zhihu.com/explore")
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')

获取元素属性

get_attribute(‘class’)

1
2
3
4
5
6
7
8

from selenium import webdriver

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'))

获取文本值

text

1
2
3
4
5
6
7

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)

获取ID，位置，标签名

  • id
  • location
  • tag_name
  • size
1
2
3
4
5
6
7
8
9
10

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)

Frame

在很多网页中都是有Frame标签，所以我们爬取数据的时候就涉及到切入到frame中以及切出来的问题，通过下面的例子演示 这里常用的是switch_to.from()和switch_to.parent_frame()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

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)

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

隐式等待

到了一定的时间发现元素还没有加载，则继续等待我们指定的时间，如果超过了我们指定的时间还没有加载就会抛出异常，如果没有需要等待的时候就已经加载完毕就会立即执行

1
2
3
4
5
6
7

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)

显示等待

指定一个等待条件，并且指定一个最长等待时间，会在这个时间内进行判断是否满足等待条件，如果成立就会立即返回，如果不成立，就会一直等待，直到等待你指定的最长等待时间，如果还是不满足，就会抛出异常，如果满足了就会正常返回

1
2
3
4
5
6
7
8
9
10
11

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)

上述的例子中的条件：EC.presence_of_element_located（）是确认元素是否已经出现了 EC.element_to_be_clickable（）是确认元素是否是可点击的

常用的判断条件：

API解释
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_itframe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

>> 更多操作参考：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

浏览器的前进和后退

  • back()
  • forward()
1
2
3
4
5
6
7
8
9
10
11

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()

cookie操作

  • get_cookies()
  • delete_all_cookes()
  • add_cookie()
1
2
3
4
5
6
7
8
9

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': 'junqiang'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

选项卡管理

通过执行js命令实现新开选项卡window.open() 不同的选项卡是存在列表里browser.window_handles 通过browser.window_handles[0]就可以操作第一个选项卡

1
2
3
4
5
6
7
8
9
10
11
12

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')

异常处理

这里的异常比较复杂，官网的参考地址：>> url 这里只进行简单的演示，查找一个不存在的元素

1
2
3
4
5
6
7
8
9
10
11
12
13
14

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()

一些技巧

1
2
3
4
5
6
7
8
9
10
11
12
13

def UseCookie():
    srcUserData = "C:/Users/<UserName>/AppData/Local/Google/Chrome/User Data"
    dstUserData =  f"{srcUserData}_1"
    if not os.path.exists(dstUserData):
        shutil.copytree(src=srcUserData,dst=dstUserData)
    options = webdriver.ChromeOptions()
    options.add_argument(f'user-data-dir={dstUserData}')
    # options.add_argument('--headless')
    options.add_argument('blink-settings=imagesEnabled=false') 
    options.add_argument('--no-sandbox')
    
    driver = webdriver.Chrome(chrome_options=options)
    pass
自动化, 网页
selenium webdriver
本文由作者按照 CC BY 4.0 进行授权