python爬虫之Selenium

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), 编写以及运行(Selenium Remote Control) 和测试的并行处理(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.

Selenium基本使用 :

　　用python写爬虫的时候, 主要用的是selenium的Webdriver

　　selenium.Webdriver基本上可以支持和大部分常见的浏览器.

　　而其中比较重要的PhantomJS, PhantomJS是一个基于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登登.

　　PhantomJS可以用于页面自动化, 网络监测, 网页截屏, 以及无界面测试.

声明浏览器对象 :

　　虽然知道了selenium支持很多浏览器, 但是如果想要声明并调用浏览器则需要 :

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
...

访问页面 :

from selenium import webdriver

browser = webdriver.Chrome()

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

　　上述代码运行后，会自动打开Chrome浏览器，并登陆百度打印百度首页的源代码，然后关闭浏览器

查找元素 :

单个元素的查找 :

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()

　　上面通过三种不同的方式去获取响应的元素, 第一种是通过id的方式, 第二种是CSS选择器, 第三种是xpath选择器, 结果都是相同的.

常用的查找元素的方法 :

　　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

　　下面是比较通用的一种方式: By模块需要导入

　　from selenium.webdriver.common.by import By

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()

　　上述两种方法是通用的, 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 :

　　多个元素和单个元素的区别, 举个栗子: find_elements, 单个元素是find_element, 其他使用上没什么区别

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()

　　多个元素的查找也是可以通过导入from selenium.webdriver.common.by import By 这种方式实现

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

　　同样在单个元素中查找的方式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

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MakBookpro, 并点击搜索

交互动作 :

　　将动作附加到动作链中串行执行

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()

直接执行JavaScript :

　　这个方法可以直接调用js方法来实现一些操作

　　下面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 :

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")

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

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

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, 所以爬取数据的时候就涉及到切入到frame中以及切出来的问题, 下面例子演示:

　　这是常用的swich_to.from()和swich_to.parent_frame()

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, 如果没有到需要等待的时候就已经记载完毕就会立即执行

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, 并且制定一个最长等待时间, 会在这个还是件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, 如果还不满足, 就会抛出异常, 如果满足了就会正常返回.

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 :

　　　　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_it frame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

浏览器的前进和后退 :

　　back() 和 forward()

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()

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

选项卡处理 :

　　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

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')