python--Selenium(动态渲染页面爬取）

• 上一节，学习了Ajax，Ajax 其实也是JS 动态渲染的页面的一种形式，通过直接分析Ajax，仍然可以借助requests  或者 urllib 来实现数据爬取。

• 但是JS动态渲染的页面不止Ajax 一种；还有就是像淘宝这种页面，即使是Ajax 获取的数据，但是其Ajax 接口含有很多加密参数，我们直接很难找出其规律，，也就很难直接分析Ajax 来抓取。

• 为了解决这些问题，可以直接使用模拟浏览器运行的方式来实现，这样就可以做到在浏览器中看到是什么样，抓取的源码就是什么样，也就是可见及可爬。这样我们就不用管网页内部的JS 用了什么算法渲染页面，不用管网页后台的Ajax 接口到底有什么参数。

• Python提供了很多模拟浏览器运行的库，如Selenium、Splash、PyV8、Ghost等。

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。

 

1.准备工作：

Chrome浏览器安装；

ChromeDriver安装；

Selenium安装。

 

2.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  

browser = webdriver.Chrome()
try :
    browser.get ('https://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')))
    print(browser.current_url)
    print(browser.get_cookies())
    print(browser.page_source)   //网页源代码
finally:
    browser.close()
    

 

下面了解一下sewlenium 的具体用法

3. 声明浏览器对象

selenium支持很多浏览器: Chrome、Firefox、Edge等，还支持Android、BlackBerry等手机端的浏览器，也支持无界面浏览器 PhantomJS。

 

初始化：

from selenium import webdriver

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

4. 访问页面

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com ')
print(browser.page_source)  //打印源码
browser.close() 

5.查找节点

selenium 可以驱动浏览器完成各种操作，比如填充表单、模拟点击等。再比如我们想向某个输入框输入文字，总得知道输入框的位置吧？别急，，selenium提供了一系列查找节点的方法。

• 单个节点

首先查看网页源代码

 

获取单节点的方法：

• • • find_element_by_id
    • find_element_by_name
    • 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

                           另外，Selenium还提供了通用方法：

• • •  find_element() :需要传入两个参数：查找方式和值，例如：

 find_element(By.ID， id) 等价于  find_element_by_id（id）

 

获取多节点的方法：

• • find_elements_by_id
  • find_elements_by_name
  • 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

                           另外，Selenium还提供了通用方法：

• • •  find_elements() :需要传入两个参数：查找方式和值，例如：

                                   find_elements(By.ID， id) 等价于  find_elements_by_id（id）

                      注：单节点和多节点就是单复数形式的区别。

  6. 节点交互

selenium 驱动浏览器来执行一些操作，其实就是让浏览器模拟执行一些动作，常见的用法有：

• send_keys() :输入文字；
• clear() :清空文字；
• click() : 点击按钮。

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com ')
input = browser.find_element_by_id('q') //通过输入框的id，找到输入框(不一定能找到，淘宝的源代码可能更新了）
input.send_keys('iPhone')     //在输入框内输入iPhone 
time.sleep(1)  
input.clear()  //清空输入框内容
input.send_keys('Ipad')
button = browser.find_element_by_class_name('btn-search')  //查找“搜索”按钮(不一定能找到，淘宝的源代码可能更新了）
button.click()

 可参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement

7.动作链

上面的例子，是针对于某个节点执行的，另外一些操作，没有特定的执行对象，比如鼠标拖动，键盘按键等，这些动作用另一种方式来执行，那就是动作链。

 

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()

运行结果：

可参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

 

 8. 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JS ，此时使用execute_script() 方法即可实现。

from selenium import webdriver

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

通过这个方法，基本上API没有提供的所有功能都可以用执行JS 的方式来实现。

9. 获取节点信息

前面代码中，通过page_source 属性可以获取网页的源代码，然后可以利用解析库来提取信息。

而用selenium 可以获取节点，返回的是webElement 类型，可以直接获取节点信息（文本，属性等）

• 获取属性

get_attribute()

• 获取文本值

input.text

每个WebElement 节点都有 text 属性

• 获取 id 、位置、标签名和大小
• input.id
• input.location
• input.tag_name
• input.size

 

10. 切换Frame

        网页中有一种节点叫做iframe ,也就是子Frame ，相当于页面的子页面，它的结构和外部网页的结构完全一致。selenium 打开页面之后，他默认是在父级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。

11. 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获取到。所以，这里需要等待一段时间，确保节点已经加载出来。

      等待的方式有两种：隐式等待  和 显式等待。

• 隐式等待

from selenium import webdriver

browser = webdriver.Chrome()
browser.implicitly_wait(10)   //隐式等待10秒
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input)

• 显式等待

from selenium import webdriver
from selenium.webdriver.commom.by import By
from selenium.webdriver.support import excepted_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait

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_clickable((By.CSS_SELECTOR, '.btn-search')))
print(input, button)

                            可参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.supported.expected_conditions

12. 前进和后退

平时我们在使用浏览器的时候都有前进和后退功能，Selenium 也可以实现这个功能。

• back（） : 后退
• forward（）： 前进

from selenium import webdriver
import time 
browser = webdriver.Chrome()
browser.get ('https://www.taobao.com ')
browser.get ('https://www.python.org ')
browser.get ('https://www.baidu.com ')

browser.back()   
time.sleep(1)
browser.forward()
browser.close()

13. Cookies

使用Selenium 可以方便的对Cookies进行操作，如获取、添加、删除cookies。

 

from selenium import webdriver

browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'  
browser.get(url)   //加载完成后，实际上已经生成cookies了
print(browser.get_cookies())    //获取所有的cookies
browser.add_cookie({'name': 'name', 'domin':'www.zhihu.com', 'value':'germey'})   //添加cookie,注意cookie的单复数
print(browser.get_cookies())  //再次获取cookies
browser.delete_all_cookies()   //删除所有的cookies
print(browser.get_cookies())   //再次获取为空了

 

 

14. 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，我们可以对选项卡进行操作。

15. 异常处理

try  except