爬蟲：selenium請求庫

一、介紹

二、安裝

三、基本使用

四、選擇器

五、等待元素被加載

六、元素互動操作

七、其他

八、項目練習

# 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本質是通過驅動浏覽器，完全模拟浏覽器的操作，比如跳轉、輸入、點選、下拉等，來拿到網頁渲染之後的結果，可支援多種浏覽器。

from selenium import webdriver

# 谷歌浏覽器
browser=webdriver.Chrome()
# 火狐浏覽器
browser=webdriver.Firefox()
# 無界面浏覽器
browser=webdriver.PhantomJS()
# 蘋果浏覽器
browser=webdriver.Safari()
# IE浏覽器
browser=webdriver.Edge() 

官網：http://selenium-python.readthedocs.io      

　　1.有界面浏覽器

# 安裝：selenium+chromedriver
pip3 install selenium
下載下傳chromdriver.exe放到python安裝路徑的scripts目錄中即可，注意最新版本是2.38，并非2.9
國内鏡像網站位址：http://npm.taobao.org/mirrors/chromedriver/2.38/
最新的版本去官網找:https://sites.google.com/a/chromium.org/chromedriver/downloads

#驗證安裝
C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from selenium import webdriver
>>> driver=webdriver.Chrome() #彈出浏覽器
>>> driver.get('https://www.baidu.com')
>>> driver.page_source

#注意：
selenium3預設支援的webdriver是Firfox，而Firefox需要安裝geckodriver
下載下傳連結：https://github.com/mozilla/geckodriver/releases      

　　2.無界面浏覽器

PhantomJS不再更新

#安裝：selenium+phantomjs
pip3 install selenium
下載下傳phantomjs，解壓後把phantomjs.exe所在的bin目錄放到環境變量
下載下傳連結：http://phantomjs.org/download.html

#驗證安裝
C:\Users\Administrator>phantomjs
phantomjs> console.log('egon gaga')
egon gaga
undefined
phantomjs> ^C
C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from selenium import webdriver
>>> driver=webdriver.PhantomJS() #無界面浏覽器
>>> driver.get('https://www.baidu.com')
>>> driver.page_source      

selenium+phantomjs

在 PhantomJS 年久失修, 後繼無人的節骨眼 

Chrome 出來救場, 再次成為了反爬蟲 Team 的噩夢

自Google 釋出 chrome 59 / 60 正式版 開始便支援

Headless mode

這意味着在無 GUI 環境下, PhantomJS 不再是唯一選擇 

#selenium:3.12.0
#webdriver:2.38
#chrome.exe: 65.0.3325.181（正式版本） （32 位）

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('window-size=1920x3000') #指定浏覽器分辨率
chrome_options.add_argument('--disable-gpu') #谷歌文檔提到需要加上這個屬性來規避bug
chrome_options.add_argument('--hide-scrollbars') #隐藏滾動條, 應對一些特殊頁面
chrome_options.add_argument('blink-settings=imagesEnabled=false') #不加載圖檔, 提升速度
chrome_options.add_argument('--headless') #浏覽器不提供可視化頁面. linux下如果系統不支援可視化不加這條會啟動失敗
chrome_options.binary_location = r"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe" #手動指定使用的浏覽器位置


driver=webdriver.Chrome(chrome_options=chrome_options)
driver.get('https://www.baidu.com')

print('hao123' in driver.page_source)


driver.close() #切記關閉浏覽器，回收資源      

selenium+谷歌浏覽器headless模式

from selenium import webdriver  # 用來驅動浏覽器的
from selenium.webdriver import ActionChains  # 破解滑動驗證碼的時候用的 可以拖動圖檔
from selenium.webdriver.common.by import By  # 按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC  # 和下面WebDriverWait一起用的
from selenium.webdriver.support.wait import WebDriverWait  # 等待頁面加載某些元素
import time

try:
    driver = webdriver.Chrome()

    driver.get('https://www.baidu.com')

    wait = WebDriverWait(driver, 10)

    input_tag = wait.until(EC.presence_of_element_located((By.ID, 'kw')))

    input_tag.send_keys('美女')

    input_tag.send_keys(Keys.ENTER)

    time.sleep(5)

finally:

    driver.close()      

　　1.基本用法

官網連結：http://selenium-python.readthedocs.io/locating-elements.html

from selenium import webdriver  # 用來驅動浏覽器的
from selenium.webdriver import ActionChains  # 破解滑動驗證碼的時候用的 可以拖動圖檔
from selenium.webdriver.common.by import By  # 按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC  # 和下面WebDriverWait一起用的
from selenium.webdriver.support.wait import WebDriverWait  # 等待頁面加載某些元素
import time
driver = webdriver.Chrome()  # 打開谷歌驅動浏覽器

driver.get('https://www.baidu.com/')  # 向百度發送一個get請求

driver.implicitly_wait(5)  # 隐式等待如果所有元素未被加載則等待5秒  在get前設定 針對所有元素 等待所有标簽加載完成後再查找标簽
# selenium自帶的解析功能
try:
    # ===============所有方法===================
    # element是查找一個标簽
    # elements是查找所有标簽

    # 1、find_element_by_id 通過id去找
    # 2、find_element_by_link_text  通過連結文本去找
    # 3、find_element_by_partial_link_text
    # 4、find_element_by_tag_name
    # 5、find_element_by_class_name
    # 6、find_element_by_name
    # 7、find_element_by_css_selector
    # 8、find_element_by_xpath


    # 1、find_element_by_id  根據id元素查找
    # input_tag = driver.find_element_by_id('kw')  # 查找到kw元素的标簽
    #
    # input_tag.send_keys('kermit大寶貝')  # 輸入kermit大寶貝
    #
    # input_tag.send_keys(Keys.ENTER)  # 按回車按鈕

    # 2、find_element_by_link_text  根據精确文本比對内容
    # login_button = driver.find_element_by_link_text('登入')  # 找到登陸文本标簽
    # login_button = driver.find_element_by_link_text('  登入')  # 因為是精确查找是以找不到'  登陸'
    #
    # login_button.click()  # 點選登陸按鈕

    # 3、find_element_by_partial_link_text  # 根據文本局部比對去查找标簽
    # login = driver.find_element_by_partial_link_text('登')  # 局部比對有登字的标簽
    # login.click()  # 點選事件

    # 4、find_element_by_tag_name  # 根據标簽名查找
    # a = driver.find_element_by_tag_name('a')
    # print(a)

    # 5、find_element_by_class_name  根據類元素查找
    # login_tag = driver.find_element_by_class_name('tang-pass-footerBarULogin')  # 根據類元素查找登陸按鈕
    # login_tag.click()  # 點選登陸事件

    # 6、find_element_by_name  根據name屬性去查找
    # username = driver.find_element_by_name('userName')
    #
    # password = driver.find_element_by_name('password')
    #
    # username.send_keys('15622792660')
    # password.send_keys('k46709394')
    #
    # login_button = driver.find_element_by_id('TANGRAM__PSP_10__submit')
    # login_button.click()

    # 7、find_element_by_css_selector  根據屬性選擇器查找
    search = driver.find_element_by_css_selector('.s_ipt')

    search.send_keys('帥哥')  # 往百度輸入框添加帥哥

    search.send_keys(Keys.ENTER)  # 點選回車
    # 8、find_element_by_xpath  # 根據xpath查找

    # 等待5秒
    time.sleep(5)

finally:
    driver.close()      

　　2.xpath

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素
import time

driver=webdriver.Chrome()
driver.get('https://doc.scrapy.org/en/latest/_static/selectors-sample1.html')
driver.implicitly_wait(3)

try:

    # tags=driver.find_elements_by_xpath('//a')
    # print(tags[1].get_attribute('href'))
    # print(tags[1].tag_name)
    # print(tags[1].text)

    # tags=driver.find_elements_by_xpath('//div/a')
    # tags=driver.find_elements_by_xpath('//div//img')
    # print(tags[3].get_attribute('src'))

    # tags=driver.find_element_by_xpath('//div/a[3]')
    # print(tags.get_attribute('href'))

    # //*[@id = "images"]/a[4]/img
    # tag=driver.find_elements_by_xpath('//*[@id = "images"]/a[4]/img')
    # # print(tag.get_attribute('src'))
    # print(tag)

    # tag=driver.find_element_by_xpath('//a[@href="image3.html"]')
    # tags=driver.find_elements_by_xpath('//a[contains(@href,"image")]')
    # for tag in tags:
    #     print(tag.get_attribute('href'))

    # tag=driver.find_element_by_xpath('//a[img/@src="image1_thumb.jpg"]')
    # print(tag.tag_name,tag.get_attribute('href'))

    # tag=driver.find_element_by_xpath('//a[img/@src="image1_thumb.jpg"]')
    # print(tag)
　　　　
    # print(tag.location) 傳回tag相對于html的坐标
    # print(tag.size)  傳回标簽元素的大小


    time.sleep(5)
finally:
    driver.close()      

　　3.擷取标簽屬性

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素

browser=webdriver.Chrome()

browser.get('https://www.amazon.cn/')

wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,'cc-lm-tcgShowImgContainer')))

tag=browser.find_element(By.CSS_SELECTOR,'#cc-lm-tcgShowImgContainer img')

#擷取标簽屬性，
print(tag.get_attribute('src'))


#擷取标簽ID，位置，名稱，大小（了解）
print(tag.id)
print(tag.location)
print(tag.tag_name)
print(tag.size)

browser.close()      

#1、selenium隻是模拟浏覽器的行為，而浏覽器解析頁面是需要時間的（執行css，js），一些元素可能需要過一段時間才能加載出來，為了保證能查找到元素，必須等待

#2、等待的方式分兩種：
隐式等待：在browser.get（'xxx'）前就設定，針對所有元素有效
顯式等待：在browser.get（'xxx'）之後設定，隻針對某個元素有效      

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素

browser=webdriver.Chrome()

#隐式等待:在查找所有元素時，如果尚未被加載，則等10秒
browser.implicitly_wait(10)

browser.get('https://www.baidu.com')


input_tag=browser.find_element_by_id('kw')
input_tag.send_keys('美女')
input_tag.send_keys(Keys.ENTER)

contents=browser.find_element_by_id('content_left') #沒有等待環節而直接查找，找不到則會報錯
print(contents)

browser.close()      

隐式等待

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素

browser=webdriver.Chrome()
browser.get('https://www.baidu.com')


input_tag=browser.find_element_by_id('kw')
input_tag.send_keys('美女')
input_tag.send_keys(Keys.ENTER)


#顯式等待：顯式地等待某個元素被加載
wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,'content_left')))

contents=browser.find_element(By.CSS_SELECTOR,'#content_left')
print(contents)


browser.close()      

顯示等待

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素

browser=webdriver.Chrome()
browser.get('https://www.amazon.cn/')
wait=WebDriverWait(browser,10)


input_tag=wait.until(EC.presence_of_element_located((By.ID,'twotabsearchtextbox')))
input_tag.send_keys('iphone 8')
button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
button.click()


import time
time.sleep(3)

input_tag=browser.find_element_by_id('twotabsearchtextbox')
input_tag.clear() #清空輸入框
input_tag.send_keys('iphone7plus')
button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
button.click()



# browser.close()      

點選清空

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By  # 按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait  # 等待頁面加載某些元素
import time

driver = webdriver.Chrome()
driver.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
wait=WebDriverWait(driver,3)
# driver.implicitly_wait(3)  # 使用隐式等待

try:
    driver.switch_to.frame('iframeResult') ##切換到iframeResult
    sourse=driver.find_element_by_id('draggable')
    target=driver.find_element_by_id('droppable')

    #方式一：基于同一個動作鍊串行執行
    # actions=ActionChains(driver) #拿到動作鍊對象
    # actions.drag_and_drop(sourse,target) #把動作放到動作鍊中，準備串行執行
    # actions.perform()

    #方式二：不同的動作鍊，每次移動的位移都不同
    ActionChains(driver).click_and_hold(sourse).perform()
    distance=target.location['x']-sourse.location['x']

    track=0
    while track < distance:
        ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform()
        track+=2

    ActionChains(driver).release().perform()

    time.sleep(10)

finally:
    driver.close()      

Action Chains

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素


try:
    browser=webdriver.Chrome()
    browser.get('https://www.baidu.com')
    browser.execute_script('alert("hello world")') #列印警告
finally:
    browser.close()      

在互動動作比較難實作的時候可以自己寫JS（萬能方法）

#frame相當于一個單獨的網頁，在父frame裡是無法直接檢視到子frame的元素的，必須switch_to_frame切到該frame下，才能進一步查找

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素


try:
    browser=webdriver.Chrome()
    browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')

    browser.switch_to.frame('iframeResult') #切換到id為iframeResult的frame

    tag1=browser.find_element_by_id('droppable')
    print(tag1)

    # tag2=browser.find_element_by_id('textareaCode') #報錯，在子frame裡無法檢視到父frame的元素
    browser.switch_to.parent_frame() #切回父frame,就可以查找到了
    tag2=browser.find_element_by_id('textareaCode')
    print(tag2)

finally:
    browser.close()      

補充：frame的切換

複制代碼
#模拟浏覽器的前進後退
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()
time.sleep(10)
browser.forward()
browser.close()      

模拟浏覽器的前進與後退

#cookies
from selenium import webdriver

browser=webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'k1':'xxx','k2':'yyy'})
print(browser.get_cookies())

# browser.delete_all_cookies()      

cookies

#頁籤管理：切換頁籤，有js的方式windows.open,有windows快捷鍵：ctrl+t等，最通用的就是js的方式
import time
from selenium import webdriver

browser=webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')

print(browser.window_handles) #擷取所有的頁籤
browser.switch_to_window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(10)
browser.switch_to_window(browser.window_handles[0])
browser.get('https://www.sina.com.cn')
browser.close()      

頁籤管理

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()      

異常處理

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素
import time


def get_goods(driver):
    try:
        goods=driver.find_elements_by_class_name('gl-item')

        for good in goods:
            detail_url=good.find_element_by_tag_name('a').get_attribute('href')

            p_name=good.find_element_by_css_selector('.p-name em').text.replace('\n','')
            price=good.find_element_by_css_selector('.p-price i').text
            p_commit=good.find_element_by_css_selector('.p-commit a').text

            msg = '''
            商品 : %s
            連結 : %s
            價錢 ：%s
            評論 ：%s
            ''' % (p_name,detail_url,price,p_commit)

            print(msg,end='\n\n')


        button=driver.find_element_by_partial_link_text('下一頁')
        button.click()
        time.sleep(1)
        get_goods(driver)
    except Exception:
        pass

def spider(url,keyword):
    driver = webdriver.Chrome()
    driver.get(url)
    driver.implicitly_wait(3)  # 使用隐式等待
    try:
        input_tag=driver.find_element_by_id('key')
        input_tag.send_keys(keyword)
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver)
    finally:
        driver.close()


if __name__ == '__main__':
    spider('https://www.jd.com/',keyword='iPhone8手機')      

爬取JD商城商品資訊

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什麼方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #鍵盤按鍵操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待頁面加載某些元素
import time


def get_goods(driver):
    try:
        goods=driver.find_elements_by_class_name('gl-item')

        for good in goods:
            detail_url=good.find_element_by_tag_name('a').get_attribute('href')

            p_name=good.find_element_by_css_selector('.p-name em').text.replace('\n','')
            price=good.find_element_by_css_selector('.p-price i').text
            p_commit=good.find_element_by_css_selector('.p-commit a').text

            msg = '''
            商品 : %s
            連結 : %s
            價錢 ：%s
            評論 ：%s
            ''' % (p_name,detail_url,price,p_commit)

            print(msg,end='\n\n')


        button=driver.find_element_by_partial_link_text('下一頁')
        button.click()
        time.sleep(1)
        get_goods(driver)
    except Exception:
        pass

def spider(url,keyword):
    driver = webdriver.Chrome()
    driver.get(url)
    driver.implicitly_wait(3)  # 使用隐式等待
    try:
        input_tag=driver.find_element_by_id('key')
        input_tag.send_keys(keyword)
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver)
    finally:
        driver.close()


if __name__ == '__main__':
    spider('https://www.jd.com/',keyword='iPhone8手機')      

爬取JD商品資訊