一、selenium簡介
selenium最初是一個自動化測試工具,而爬蟲中使用它主要是為了解決requests無法直接執行JavaScript代碼的問題 selenium本質是通過驅動瀏覽器，完全模擬瀏覽器的操作，比如跳轉、輸入、點擊、下拉等，來拿到網頁渲染之后的結果，可支持多種瀏覽器
二、環境安裝
- 下載安裝selenium：pip install selenium
- 下載瀏覽器驅動程序：
- http://chromedriver.storage.googleapis.com/index.html
- 查看驅動和瀏覽器版本的映射關系：
- http://blog.csdn.net/huilan_same/article/details/51896672
三、簡單使用/selenium測試
from selenium import webdriver from time import sleep # 后面是你的瀏覽器驅動位置，記得前面加r'','r'是防止字符轉義的 driver = webdriver.Chrome(r'驅動程序路徑') # 用get打開百度頁面 driver.get("http://www.baidu.com") # 查找頁面的“設置”選項，並進行點擊 driver.find_elements_by_link_text('設置')[0].click() sleep(2) # # 打開設置后找到“搜索設置”選項，設置為每頁顯示50條 driver.find_elements_by_link_text('搜索設置')[0].click() sleep(2) # 選中每頁顯示50條 m = driver.find_element_by_id('nr') sleep(2) m.find_element_by_xpath('//*[@id="nr"]/option[3]').click() m.find_element_by_xpath('.//option[3]').click() sleep(2) # 點擊保存設置 driver.find_elements_by_class_name("prefpanelgo")[0].click() sleep(2) # 處理彈出的警告頁面 確定accept() 和 取消dismiss() driver.switch_to_alert().accept() sleep(2) # 找到百度的輸入框，並輸入 美女 driver.find_element_by_id('kw').send_keys('美女') sleep(2) # 點擊搜索按鈕 driver.find_element_by_id('su').click() sleep(2) # 在打開的頁面中找到“Selenium - 開源中國社區”，並打開這個頁面 driver.find_elements_by_link_text('美女_百度圖片')[0].click() sleep(3) # 關閉瀏覽器 driver.quit()
四、創建瀏覽器對象(句柄)
Selenium支持非常多的瀏覽器，如Chrome、Firefox、Edge等，還有Android、BlackBerry等手機端的瀏覽器。另外，也支持無界面瀏覽器PhantomJS。
from selenium import webdriver browser = webdriver.Chrome() # 谷歌瀏覽器 browser = webdriver.Firefox() # 火狐瀏覽器 browser = webdriver.Edge() #IE 瀏覽器 browser = webdriver.PhantomJS() # 無可視化界面的瀏覽器(無頭瀏覽器) browser = webdriver.Safari() # 蘋果macOS中瀏覽器
五、元素定位
webdriver 提供了一系列的元素定位方法，常用的有以下幾種：
find_element_by_id() # 通過元素ID定位
find_element_by_name() # 通過元素Name定位
find_element_by_class_name() # 通過類名定位
find_element_by_tag_name() # 通過元素TagName定位
find_element_by_link_text() # 通過文本內容定位
find_element_by_partial_link_text()
find_element_by_xpath() # 通過Xpath語法定位
find_element_by_css_selector() # 通過選擇器定位
注意
1、find_element_by_xxx找的是第一個符合條件的標簽，find_elements_by_xxx找的是所有符合條件的標簽。
2、根據ID、CSS選擇器和XPath獲取，它們返回的結果完全一致。
3、另外，Selenium還提供了通用方法find_element()，它需要傳入兩個參數：查找方式By和值。實際上，它就是find_element_by_id()這種方法的通用函數版本，比如find_element_by_id(id)就等價於find_element(By.ID, id)，二者得到的結果完全一致。
六、節點交互
Selenium可以驅動瀏覽器來執行一些操作，也就是說可以讓瀏覽器模擬執行一些動作。比較常見的用法有：輸入文字時用send_keys()方法，清空文字時用clear()方法，點擊按鈕時用click()方法。示例如下：
from selenium import webdriver import time browser = webdriver.Chrome() browser.get('https://www.taobao.com') input = browser.find_element_by_id('q') input.send_keys('MAC') # 輸入框接收內容 time.sleep(1)
input.clear() # 清空輸入框 input.send_keys('IPhone') button = browser.find_element_by_class_name('btn-search') button.click() # 點擊按鈕 browser.quit()
七、動作鏈
在上面的實例中，一些交互動作都是針對某個節點執行的。比如，對於輸入框，我們就調用它的輸入文字和清空文字方法；對於按鈕，就調用它的點擊方法。其實，還有另外一些操作，它們沒有特定的執行對象，比如鼠標拖曳、鍵盤按鍵等，這些動作用另一種方式來執行，那就是動作鏈。
比如，現在實現一個節點的拖曳操作，將某個節點從一處拖曳到另外一處，可以這樣實現：
from selenium import webdriver from selenium.webdriver import ActionChains from time import sleep # 創建一個瀏覽器對象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 發起url請求 bro.get("https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable") # 定位的標簽是存在於iframe的子頁面中，如果直接使用find做定位，是定位不到的 # 定位iframe中標簽操作 # 第一步：定位到iframe標簽位置 bro.switch_to.frame("iframeResult") # 第二步：通過ID定位到需要拖動的標簽 target_ele = bro.find_element_by_id("draggable") # 創建一個拖動對象 action = ActionChains(bro) # 點擊拖動對象並長按保持 action.click_and_hold(target_ele) # 模擬拖動5次，每次拖動17個像素點 for i in range(5): # 執行拖動動作 action.move_by_offset(17, 0).perform() # 每拖動17像素暫停5秒 sleep(2) # 釋放拖動對象句柄 action.release() sleep(2) # 關閉瀏覽器 bro.quit()
八、執行JavaScript
對於某些操作，Selenium API並沒有提供。比如，下拉進度條，它可以直接模擬運行JavaScript，此時使用execute_script()方法即可實現，代碼如下：
from selenium import webdriver browser = webdriver.Chrome() browser.get('https://www.jd.com/')
# 滑動鼠標到下一屏 browser.execute_script('window.scrollTo(0, document.body.scrollHeight)') # 豎直滑動，scrollHeight一屏高度 browser.execute_script('alert("123")') # js代碼，提示框
九、獲取頁面源碼數據
通過page_source屬性可以獲取網頁的源代碼，接着就可以使用解析庫（如正則表達式、Beautiful Soup、pyquery等）來提取信息了。
from selenium import webdriver from time import sleep # 創建一個瀏覽器對象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 發起url請求 bro.get("http://www.jd.com/") # 獲取網頁源碼 page_text = bro.page_source with open("jd.html", "w", encoding="utf-8") as fp: fp.write(page_text) sleep(2) # 關閉瀏覽器 bro.quit()
十、前進和后退
#模擬瀏覽器的前進后退 import time from selenium import webdriver browser=webdriver.Chrome() browser.get('https://www.baidu.com') browser.get('https://www.taobao.com') browser.get('http://www.sina.com.cn/') browser.back() # 后退到前一個訪問頁面 time.sleep(10) browser.forward() # 前進到前一個訪問頁面 browser.close()
十一、標簽屬性
from selenium import webdriver # 創建chrome瀏覽器對象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 獲取點擊按鈕的title屬性的值 next_page = bro.find_element_by_id("pageIto_next").get_attribute("title")
十二、窗口句柄切換
# 獲取所有窗口句柄 all_h = dri.window_handles print(all_h) # 切換最后窗口句柄 dri.switch_to.window(all_h[-1])
# 切換第一個窗口句柄
dri.switch_to.window(all_h[0])
# 查看當前窗口句柄 print(dri.current_window_handle)
十三、Cookie處理
使用Selenium，還可以方便地對Cookies進行操作，例如獲取、添加、刪除Cookies等。示例如下：
from selenium import webdriver browser = webdriver.Chrome() browser.get('https://www.zhihu.com/explore') print(browser.get_cookies()) # 獲取當前cookie信息
# 添加cookie信息 browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'}) print(browser.get_cookies())
# 刪除所有cookie信息 browser.delete_all_cookies() print(browser.get_cookies())
十四、異常處理
from selenium import webdriver from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException try: browser=webdriver.Chrome() browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable') browser.switch_to.frame('iframssseResult') except TimeoutException as e: print(e) except NoSuchFrameException as e: print(e) finally: browser.close()
十五、selenium規避被檢測識別
現在不少大網站有對selenium采取了監測機制。比如正常情況下我們用瀏覽器訪問淘寶等網站的 window.navigator.webdriver的值為
undefined。而使用selenium訪問則該值為true。那么如何解決這個問題呢？
只需要設置Chromedriver的啟動參數即可解決問題。在啟動Chromedriver之前，為Chrome開啟實驗性功能參數excludeSwitches，它的值為['enable-automation']，完整代碼如下：
from selenium.webdriver import Chrome from selenium.webdriver import ChromeOptions option = ChromeOptions() option.add_experimental_option('excludeSwitches', ['enable-automation']) driver = Chrome(options=option)
十六、項目實例(selenium站長素材高清圖片下載)
from selenium import webdriver from time import sleep base_url = "http://sc.chinaz.com/tupian/weimeiyijingtupian.html" # 創建一個瀏覽器句柄對象 dri = webdriver.Chrome(executable_path="chromedriver.exe") # 跳轉到指定url dri.get(base_url) # 點擊跳轉圖片詳情頁 dri.find_element_by_xpath('//*[@id="container"]/div[1]/p/a').click() # 獲取所有窗口句柄 all_h = dri.window_handles print(all_h) # 切換到新窗口句柄 dri.switch_to.window(all_h[1]) # 查看當前窗口句柄 print(dri.current_window_handle) sleep(2) # 點擊下載圖片(方式一) # btn = dri.find_element_by_xpath('/html/body/div[7]/div[5]/div[1]/div[6]/div[2]/div[1]/div/div[3]/a[2]') # btn.click() # xpath獲取所有滿足條件的結果，返回一個復數形式(列表)方式二 # btn = dri.find_elements_by_xpath('/html/body/div[5]/div[5]/div[1]/div[6]/div[2]/div[1]/div/div[3]/a[1]') # print(btn) # 網速慢可能拿不到結果，可以做異常捕獲 # btn[0].click() # 通過文本信息定位(方式三) dri.find_element_by_link_text("廣東電信下載").click() sleep(1) # 退出瀏覽器
十七、項目實例(selenium葯監局企業名稱獲取)
from selenium import webdriver from time import sleep import requests # ajax請求post獲取企業詳細內容 detail_url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3573.0 Safari/537.36" } # 創建chrome瀏覽器對象 bro = webdriver.Chrome(executable_path="chromedriver.exe") # 請求url，請求葯監局主頁面 bro.get("http://125.35.6.84:81/xk/") # 定義一個列表：存放所有企業名 title_list = [] # 獲取當前頁的所有公司的名字 def get_company_title(json_data): data_list = json_data["list"] for data in data_list: title = data['EPS_NAME'] title_list.append(title) return title_list # 初始psge=1 獲取第一頁內容 page = 1 # post請求參數 def get_data(page): data = { 'on': 'true', 'page': page, 'pageSize': '15', 'productName': '', 'conditionType': '1', 'applyname': '', 'applysn': '', } return data # 請求首頁信息 page_text = requests.post(url=detail_url, data=get_data(page), headers=headers).json() # 首頁的公司名字 get_company_title(page_text) print("獲取第1頁數據！！！") # 循環獲取其他頁信息 for page in range(10): # 定位到點擊下一頁按鈕 next_btn = bro.find_element_by_id("pageIto_next") # 點擊下一頁 next_btn.click() # 延時2秒 sleep(2) # 獲取點擊按鈕的title值 next_page = bro.find_element_by_id("pageIto_next").get_attribute("title") page_text = requests.post(url=detail_url, data=get_data(next_page), headers=headers).json() get_company_title(page_text) print("獲取第{}頁數據！！！".format(next_page)) # 打印獲取的所有企業名字信息 print(title_list) sleep(2) # 關閉瀏覽器 bro.quit()
十八、selenium模擬登錄qq空間，爬取數據
import requests from selenium import webdriver from lxml import etree import time driver = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver') driver.get('https://qzone.qq.com/') #在web 應用中經常會遇到frame 嵌套頁面的應用，使用WebDriver 每次只能在一個頁面上識別元素，對於frame 嵌套內的頁面上的元素，直接定位是定位是定位不到的。
這個時候就需要通過switch_to_frame()方法將當前定位的主體切換了frame 里。 driver.switch_to.frame('login_frame') #login_frame 是ID值 driver.find_element_by_id('switcher_plogin').click() #driver.find_element_by_id('u').clear() driver.find_element_by_id('u').send_keys('328410948') #這里填寫你的QQ號 #driver.find_element_by_id('p').clear() driver.find_element_by_id('p').send_keys('xxxxxx') #這里填寫你的QQ密碼 driver.find_element_by_id('login_button').click() time.sleep(2) driver.execute_script('window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) driver.execute_script('window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) driver.execute_script('window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) page_text = driver.page_source tree = etree.HTML(page_text) #執行解析操作 li_list = tree.xpath('//ul[@id="feed_friend_list"]/li') for li in li_list: text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()') text = ''.join(text_list) print(text+'\n\n\n') driver.close()