动态渲染页面爬取 【selenium】

一.Selenium使用

   Selenium是一个自动化测试工具,利用它可以驱动浏览器执行特定的动作,如点击、下拉等

操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见即可爬。对于一些Javascript
动态渲染的页面来说，此种抓取方式非常有效。

二.配置

 1.下载对应浏览器chromedrive将环境变量配置

  2.验证安装

  

 

   安装selenium

pip3 install selenium

三.基本使用

from selenium import webdriver
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

#创建浏览器对象
browser = webdriver.Chrome()

try:
    browser.get("http://www.baidu.com")
    input = browser.find_element_by_id("kw")
    input.send_keys("Python")
    input.send_keys(Keys.ENTER)
    wait = WebDriverWait(browser,10)
    wait.until(EC.presence_of_element_located((By.ID,'content_left')))

    current_url = browser.current_url
    cookie = browser.get_cookies()
    print(browser.page_source)

finally:
    browser.close()

四.步骤

  1.声明浏览器对象

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()

   2.访问页面

from selenium import webdriver

#操作谷歌浏览器
browser = webdriver.Chrome()
#打开网站
browser.get("http://www.baidu.com")
#输出页面的源代码
print(browser.page_source)
#关闭浏览器
browser.close()

   3.查找节点

1.单个节点

from selenium import webdriver

#操作谷歌浏览器
browser = webdriver.Chrome()
#打开网站
browser.get("http://www.baidu.com")

#查找元素三种方式,
#查找元素
input_first = browser.find_element_by_id("kw")

#选择器查找
input_second = browser.find_element_by_css_selector("#kw")

#xpath方式查找
input_third = browser.find_element_by_xpath('//*[@id="kw"]')

#输出
print(input_first,input_second,input_third)

#输出页面的源代码
print(browser.page_source)
#关闭浏览器
browser.close()

 2.多个节点

1.节点操作

  查找的元素如果就唯一,那么单个节点有效,但是多个就需要多个节点

  

from selenium import webdriver

from selenium.webdriver.common.by import By

#操作谷歌浏览器
browser = webdriver.Chrome()
#打开网站
browser.get("http://www.taobao.com")

#查找元素
lis = browser.find_elements_by_css_selector('.service-bd li')

#也可以使用通用方法
lis = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')

#输出页面的源代码
print(browser.page_source)
#关闭浏览器
browser.close()

2.节点交互

  selenium可以驱动浏览器来执行一些操作,也就是说可以让浏览器模拟执行一些动作。

  更多动作:http://selenium-python.readthedocs.io/api.html#moudle-selenium.webdriver.remote.webelement

from selenium import webdriver

import time

#打开浏览器
browser = webdriver.Chrome()

url = "http://www.baidu.com"

browser.get(url)

#找到输入框
input = browser.find_element_by_id("kw")

#输入
input.send_keys("草泥马")

#等待1s
time.sleep(1)

#清除
input.clear()

input.send_keys("多么可爱")

#点击百度一下按钮
button = browser.find_element_by_class_name("s_btn")

button.click()

 3.动作链

  只有点击和输入还是不够的,还需要模拟鼠标的拖动，键盘按键等

更多动作链:https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

from selenium import webdriver
#导入动作链
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()

url = "http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"

#打开网站
browser.get(url)

#框架iframe的id
browser.switch_to.frame('iframeResult')

#找到起点和终点
source = browser.find_element_by_css_selector("#draggable")
target = browser.find_element_by_css_selector("#droppable")
#浏览器加载动作链
actions = ActionChains(browser)
#创建起始位置和终点位置路径
action.drag_and_drop(source,target)
#执行拖拽
actions.perform()

webDriver只能在一个页面上对元素识别和定位，对于frame/iframe表单内嵌页面上的元素无法直接定位，此时就需要通过switch_to.frame()方法将当前定位的主题切换为iframe表单的内嵌页面中。

  4.执行JavaScript

  对于某些操作,selenium API并没有提供。比如,下拉进度条，它可以直接模拟运行JavaScript,此时使用

execute_script()方法即可实现。

from selenium import webdriver
#导入动作链
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()

url = "http://www.zhihu.com/explore"

#打开网站
browser.get(url)

browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')

browser.execute_script('alert("到底端了")')

 5.获取节点信息

  1.获取属性

from selenium import webdriver
#导入动作链
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()

url = "http://www.baidu.com"

#打开网站
browser.get(url)

#找到logo id的节点
logo = browser.find_element_by_id("lg")

#输出属性
print(logo)
print(logo.get_attribute('class'))

  2.获取文本

获取文本相当于Beautifulsoup的get_text(),pyquery的text()

from selenium import webdriver
#导入动作链
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()

url = "http://www.baidu.com"

#打开网站
browser.get(url)

#找到logo id的节点
btn = browser.find_element_by_class_name("s_btn")

#文本
print(btn.text)

  3.获取id、位置、标签名和大小

from selenium import webdriver
#导入动作链
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()

url = "http://www.baidu.com"

#打开网站
browser.get(url)

#找到logo id的节点
btn = browser.find_element_by_class_name("s_btn")

#获取id 位置 标签名和大小
print(btn.id)
print(btn.location)
print(btn.tag_name)
print(btn.size)

6.切换Frame

          我们知道网页种有一种节点叫做iframe，也就是子Frame，相当于页面的子网页，它
的结构和外部网页的结构完全一致。selenium打开页面后，它默认是在父级Frame里面
操作，而此时如果页面中还有子Frame，它是不能获取到子Frame里面的节点的。这时
就需要使用switch_to.frame()方法来切换Frame

import time

from selenium import webdriver

from selenium.common.exceptions import NoSuchElementException

#启动webdriver
browser = webdriver.Chrome()

#访问地址
url = "http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"

#打开网址
browser.get(url)

#进入框架
browser.switch_to.frame('iframeResult')

try:
    #找到元素类名为logo
    logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    print('No Logo')
    
#切换到父级frame
browser.switch_to.parent_frame()
#找到类名为logo
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

7.延时等待

  在Selenium中,get()方法会在网页框架加载结束后结束执行，此时如果获取page_source,可能并不是浏览器完全加载完成的页面，如果某些页面有额外的Ajax请求，我们在网页源代码中也不一定能成功获取到。所以，这里需要延时等待一定时间，确保节点已经加载出来。

1)隐式等待

    当使用隐式等待执行测试的时候，如果selenium没有在DOM中找到节点，将继续等待，超出设定时间后，则抛出找不到节点的异常，话句话说，当查找节点而节点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 

from selenium import webdriver#启动webdriver
browser = webdriver.Chrome()

#访问地址
url = "http://www.zhihu.com/explore"

#使用implicitly_wait实现隐式等待
browser.implicitly_wait(10)

browser.get(url)

input = browser.find_element_by_class_name('ExploreHomePage-ContentSection-header')

print(input)

2)显式等待

  隐式等待的效果其实并没有那么好，因为我们只规定了一个固定的时间，而页面的加载时间会受到网络条件的影响。这里还有一种更合适的显式等待方法，它指定要查找的节点，然后指定一个最长等待时间。如果在规定时间内加载出来了这个节点，就返回查找的节点；如果到了规定时间依然没有加载出该节点，则抛出超时异常

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

##from selenium.common.exceptions import NoSuchElementException

#启动webdriver
browser = webdriver.Chrome()

#访问地址
url = "http://www.taobao.com/"
browser.get(url)

#引入WebDriverWait对象,指定最长等待时间
wait = WebDriverWait(browser,10)

#使用until()方法传入等待条件，节点
input = wait.until(EC.presence_of_element_located((By.ID,'q')))

#使用until()方法传入按钮可点击
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'.btn-search')))


print(input,button)

显式等待和隐式等待的区别?

8.前进和后退

import time

from selenium import webdriver

browser = webdriver.Chrome()

browser.get("http://www.baidu.com")

browser.get("http://www.taobao.com")

browser.get("http://www.zhihu.com")

#返回
browser.back()

time.sleep(1)

#前进
browser.forward()

browser.close()

9.Cookie

  使用selenium，还可以方便地对cookie进行操作，例如获取、添加、删除Cookies等。

from selenium import webdriver

browser = webdriver.Chrome()

browser.get("http://www.zhihu.com/explore")

#打印cookie
print(browser.get_cookies())

#添加cookie
browser.add_cookie({'name':'name','domain':'www.zhihu.com','value':'germey'})

#获取cookie
print(browser.get_cookies())

#删除cookie
browser.delete_all_cookies()

print(browser.get_cookies())

10.选项卡管理

  在访问网页的时候，会开启一个个选项卡。在selenium中，我们也可以对选项卡进行操作

import time

from selenium import webdriver

browser = webdriver.Chrome()

#打开网址
browser.get("https://www.baidu.com")

#打开一个选项卡
browser.execute_script('window.open()')

#输出此时选项卡句柄
print(browser.window_handles)

#将窗口转到新的选项卡
browser.switch_to_window(browser.window_handles[1])
browser.get("https://www.taobao.com")

#等待
time.sleep(1)

#转到第一个选项卡
browser.switch_to_window(browser.window_handles[0])

browser.get("https://python.org")

 

11.异常处理

    在使用selenium的过程中,难免会遇到一些异常，例如超时、节点未找到等错误，一旦出现此类错误，程序便不会继续执行了。这里我们可以

使用try except语句来捕获各种异常。

from selenium import webdriver
from selenium.common.exceptions import TimeoutException,NoSuchElementException

browser = webdriver.Chrome()

try:

    browser.get("https://www.baidu.com")
except TimeoutException:
    print("超时")
try:

    browser.find_element_by_id('hello')
except NoSuchElementException:
    print("没有此节点")
finally:
    browser.close()