• python爬虫之动态渲染页面抓取-(Selenium)的使用


      我们在爬虫的过程中,有一些动态渲染的页面,我们是请求不到数据的。因此,我们可以直接通过使用模拟浏览器运行的方式实现,那么就可以实现原本浏览器中可以看到的,抓取的数据就是什么样,即所见即所"得"(爬);此时我们不用再去关心网页中JS使用了什么算法或者结构实现了页面渲染。

      Python提供了许多模拟浏览器运行的库,如 Selenium、 Splash、 PyV8, Ghost等

    Selenium 的使用

      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。

    1、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')
        # 找到输入框,根据id获取
        input = browser.find_element_by_id('kw')
        #输入搜索关键字“python”
        input.send_keys('Python')
        #点击搜索
        input.send_keys(Keys.ENTER)
        #等待十秒
        wait = WebDriverWait(browser, 10)
        # presence_of_element_located判断某个元素是否被加到了 dom 树里,并不代表该元素一定可见。
        # 里面要是一个元祖
        wait.until(EC.presence_of_element_located((By.ID, 'content_left')))
        #输出当前url
        print('输出当前url:
    ',browser.current_url)
        #输出页面cookie
        print('输出页面cookie:
    ',browser.get_cookies())
        #输出页面内容
        #print(browser.page_source)
    except:
        print('Fail')
    finally:
        #关闭浏览器
        browser.close()

    输出结果:

    输出当前url:
     https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=Python&fenlei=256&rsv_pq=cb2816e900015d95&rsv_t=b787r%2BVzA0qjW4QKdzHIo7fcG4iLmC6iSRyKMpiaMrmd7hA5tADIT4yrLIw&rqlang=cn&rsv_enter=1&rsv_dl=tb&rsv_sug3=6&rsv_sug2=0&rsv_btype=i&inputT=213&rsv_sug4=213
    输出页面cookie:
     [{'domain': 'www.baidu.com', 'httpOnly': False, 'name': 'BDSVRTM', 'path': '/', 'secure': False, 'value': '174'}, {'domain': '.baidu.com', 'httpOnly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '32292_1441_32355_31253_32348_32045_32116_31321_32297_26350_22158'}, {'domain': '.baidu.com', 'httpOnly': False, 'name': 'PSINO', 'path': '/', 'secure': False, 'value': '2'}, {'domain': 'www.baidu.com', 'httpOnly': False, 'name': 'BD_CK_SAM', 'path': '/', 'secure': False, 'value': '1'}, {'domain': '.baidu.com', 'expiry': 1627052281, 'httpOnly': False, 'name': 'BAIDUID', 'path': '/', 'secure': False, 'value': '6C9B8822C3C4362FD97A588E493398C8:FG=1'}, {'domain': '.baidu.com', 'httpOnly': False, 'name': 'delPer', 'path': '/', 'secure': False, 'value': '0'}, {'domain': '.baidu.com', 'expiry': 3742999928, 'httpOnly': False, 'name': 'BIDUPSID', 'path': '/', 'secure': False, 'value': '6C9B8822C3C4362F3E16CA0A76797398'}, {'domain': '.baidu.com', 'expiry': 3742999928, 'httpOnly': False, 'name': 'PSTM', 'path': '/', 'secure': False, 'value': '1595516283'}, {'domain': 'www.baidu.com', 'expiry': 1595518875, 'httpOnly': False, 'name': 'H_PS_645EC', 'path': '/', 'secure': False, 'value': 'a511pVLQtJh0hvfLuFVtXamctKD8jDLY2Z%2F0BAk49CMoxm8HDM01bvGqCLk'}, {'domain': 'www.baidu.com', 'expiry': 1596380281, 'httpOnly': False, 'name': 'BD_UPN', 'path': '/', 'secure': False, 'value': '12314753'}, {'domain': 'www.baidu.com', 'httpOnly': False, 'name': 'BD_HOME', 'path': '/', 'secure': False, 'value': '1'}]

    2、 声明浏览器对象

    from selenium import webdriver
    
    browser = webdriver.Chrome()  # google
    browser = webdriver.Firefox()  # 火狐
    browser = webdriver.Edge() #edge
    browser = webdriver.PhantomJS()  # 无界面
    browser = webdriver.Safari()  # mac自带浏览器

    3、访问页面

    from selenium import webdriver
    browser = webdriver.Chrome()
    # 通过get(url)
    browser.get('https://www.taobao.com')
    #打印淘宝首页页面内容
    print(browser.page_source)
    #关闭谷歌浏览器
    browser.close()

    结果:

    ………………(省略一万字)
      <meta charset="utf-8">
      <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">
      <meta name="renderer" content="webkit">
      <title>淘宝网 - 淘!我喜欢</title>
    ………………(省略一万字)

    4、 查找节点

    目的:找到输入框

    单个节点的情况

    以淘宝为例:

    代码:

    from selenium import webdriver
    browser = webdriver.Chrome()
    browser.get('https://www.taobao.com')
    #找搜索框--id方式
    input_first = browser.find_element_by_id('q')
    #找搜索框--css方式
    input_second = browser.find_element_by_css_selector('#q')
    #找搜索框--xpath方式
    input_third = browser.find_element_by_xpath('//*[@id="q"]')
    print(input_first)
    print(input_second)
    print(input_third)
    browser.close()

    结果:

    <selenium.webdriver.remote.webelement.WebElement (session="21a8b4b733264fbcbd8b058a2b05bf9f", element="3de372cc-d9f3-49c7-b423-e586f6a225d1")>
    <selenium.webdriver.remote.webelement.WebElement (session="21a8b4b733264fbcbd8b058a2b05bf9f", element="3de372cc-d9f3-49c7-b423-e586f6a225d1")>
    <selenium.webdriver.remote.webelement.WebElement (session="21a8b4b733264fbcbd8b058a2b05bf9f", element="3de372cc-d9f3-49c7-b423-e586f6a225d1")>

    多个节点的情况

    find_element() 只能查找目标网页中的一个,要查找多个要用find_elements()

    代码

    from selenium import webdriver
    browser = webdriver.Chrome()
    browser.get('https://www.taobao.com')
    lis = browser.find_elements_by_css_selector('.service-bd li')
    print(lis)
    browser.close()

    结果:

    [<selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="68843b38-2f7a-4d6f-b600-a41709370931")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="ba76c6b5-8e5e-49e2-930c-31dd008746e4")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="39a9722b-d954-428a-b457-6f3b2e2ebc03")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="5ebb0c1e-a0e4-4b44-8d53-fc6fffddb54c")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="13abdd53-44ae-4664-a5ea-eab06fde3d8e")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="071103dd-db53-4c32-81ae-14fe2f260842")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="d2b29103-f42b-4417-bce2-23fac105f117")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="d43cb5a5-2543-4da0-8e5b-5044f17b53f4")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="577b5b36-e836-4d8d-94cd-e84f9ea06d96")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="10850d3c-f7dd-4a7f-9691-362464092fa9")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="358a0778-591b-427d-aa61-c2b910ba35d1")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="7db19a0b-f4dd-476e-9d93-54a1ffb44468")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="ce274c07-94f1-4b4e-8f9c-0fd4d993a7c3")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="358aad1b-8fa4-48f7-8424-3720e48925eb")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="b5d4a744-9b88-493e-8343-b57b74ca1030")>, <selenium.webdriver.remote.webelement.WebElement (session="bdc3c2c445ccff47c45a623f6de58563", element="d709c785-03b3-4cf2-9c98-af3eff5381a1")>]

    5、节点交互

    输入文字:send_keys()

    清空文字:clear()

    点击按钮:click()

    from selenium import webdriver
    import time
    
    browser = webdriver.Chrome()
    browser.get('https://www.taobao.com')
    input = browser.find_element_by_id('q')
    #输入文字‘iPhone’
    input.send_keys('iphone')
    #睡1秒
    time.sleep(1)
    #清空
    input.clear()
    #输入文字‘iPad’
    input.send_keys('ipad')
    #找到class='btn-search'的按钮
    button = browser.find_element_by_class_name('btn-search')
    #点击它
    button.click()

    结果:

    淘宝要登录,这里无法返回结果

    6、动作链

    执行鼠标拖曳 、 键盘按键等动作

    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()

    结果

     7、执行javascript

    对于没有提供的操作,如下拉进度条,可以使用excute_script()方法实现。

    from selenium import webdriver
    browser = webdriver.Chrome()
    browser.get('https://www.zhihu.com/explore')
    browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    # 下拉到底部后,谈出alert提示框
    browser.execute_script('alert("To Bottom")') 

     8、获取节点信息

    page_source 属性可以获取网页的源代码,然后通过Beautiful soup pyquery进行信息提取

    也可以使用selenium自带的获取属性、文本等

    · 获取属性

    get_attribute()方法来获取节点的属性

    from selenium import webdriver
    from selenium.webdriver import ActionChains
    browser = webdriver.Chrome()
    url = 'https://www.zhihu.com/explore'
    browser.get(url)
    #输出搜索框内容
    logo = browser.find_element_by_id('Popover1-toggle')
    print(logo)
    #输出class="Input"的值
    print(logo.get_attribute('class'))

    结果:

    <selenium.webdriver.remote.webelement.WebElement (session="f6ae22acea8757f858eb2c7939c2ee8b", element="0060864e-d6ed-4690-a481-e093da6b0254")>
    Input

    · 获取文本值

    text()

    ·获取 id、位置、 标签名和大小

    id 属性可以获取节点 id, location 属性可以获取该节点在页面中的相对位置, tag_name 属性可以获取标签名称, 就是宽高

    9、延时等待

    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全的页面,如果有页面有额外的Ajax请求,在网页源代码中并不一定能成功获取,所以需要延时等待一下。

    ·隐式等待

    from selenium import webdriver
    browser = webdriver.Chrome()
    # 隐式等待,默认等待0秒,找不到继续等一会在找,容易受到页面加载时间的影响
    browser.implicitly_wait(10)
    browser.get('https://www.zhihu.com/explore')
    input = browser.find_element_by_class_name('Input')
    print(input)

    结果:

    <selenium.webdriver.remote.webelement.WebElement (session="318f4d1c97b1ecec3d8043cdf957e054", element="888440c5-9c7b-42d6-9be2-3bab91a59d98")>

    ·显式等待

    指定一个最长等待时间

    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)

    结果:

    <selenium.webdriver.remote.webelement.WebElement (session="ac8a2a732adbaf4571fbb92e17fe5889", element="9ef29720-d902-42b6-94d4-54868739ad94")> <selenium.webdriver.remote.webelement.WebElement (session="ac8a2a732adbaf4571fbb92e17fe5889", element="ea01d031-dc8e-4cb4-9703-fadb51ff33de")>

     10、前进和后退 

    forword() 前进下一个页面,back() 返回前一个页面

    11、Cookies 

    get_cookies() 方法获取所有的 Cookie 

    add_cookies() 方法添加cookies

    delete_all_cookies()方法删除所有的 Cookies 

  • 相关阅读:
    条形码工具类
    带SSL证书的httpclient 远程接口工具类
    微信后台服务器配置 、第三方后台 验证服务器地址的有效性,判断请求来自微信服务器
    java获取当前文件路径 [转]
    python django model filter 条件过滤,及多表连接查询、反向查询,某字段的distinct[转]
    HTTP响应代码集合
    JSON类库Jackson与JSON-lib性能对比[转]
    JSR规范整理
    Oracle 查看执行计划
    java中最常用jar包的用途
  • 原文地址:https://www.cnblogs.com/xiao02fang/p/13308663.html
Copyright © 2020-2023  润新知