Python爬虫——selenium模块

selenium模块介绍

selenium最初是一个测试工具，而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题

selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，能支持多种浏览器。

Selenium自己不带浏览器，不支持浏览器的功能，它需要与第三方浏览器结合在一起才能使用。但是我们有时候需要让它内嵌在代码中运行，所有我们而已用一个叫PhantomJS的工具代替真实的浏览器。

Selenium官方参考文档：`http://selenium-python.readthedocs.io/index.html`

from selenium import webdriver
browser=webdriver.Chrome()
browser=webdriver.Firefox()
browser=webdriver.PhantomJS()  #无窗口浏览器
browser=webdriver.Safari()

安装

安装：selenium+chromedriver

pip3 install selenium

chromedriver：

下载地址：http://chromedriver.storage.googleapis.com/index.html

chromedriver与chrome的对应关系表

chromedriver版本	支持的Chrome版本
v2.37	v64-66
v2.36	v63-65
v2.35	v62-64
v2.34	v61-63
v2.33	v60-62
v2.32	v59-61
v2.31	v58-60
v2.30	v58-60
v2.29	v56-58
v2.28	v55-57
v2.27	v54-56
v2.26	v53-55
v2.25	v53-55
v2.24	v52-54
v2.23	v51-53
v2.22	v49-52
v2.21	v46-50
v2.20	v43-48
v2.19	v43-47
v2.18	v43-46
v2.17	v42-43
v2.13	v42-45
v2.15	v40-43

下载之后放到放到python安装路径的目录中即可

代码测试

from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_argument('--window-position=0,0');  # chrome 启动初始位置
options.add_argument('--window-size=1080,800');  # chrome 启动初始大小
# options.add_argument('--proxy-server=http://ip:port')
# options.add_arguments("start-maximized") 最大化窗口
browser=webdriver.Chrome(chrome_options=options)

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

安装：selenium+phantomjs

下载phantomjs，解压后把phantomjs.exe所在的bin目录放到环境变量

下载链接：http://phantomjs.org/download.html

需要把phantomjs.exe拷贝到你的python安装路径

代码测试

from selenium import webdriver
# browser=webdriver.Chrome()
# browser=webdriver.Firefox()
browser=webdriver.PhantomJS()  # 无窗口浏览器
# 需要把phantomjs拷贝到你的python安装路径
browser.get('http://www.baidu.com')
print(browser.page_source)

使用Headless Chrome

Headless模式是Chrome 59中的新特征，要使用Chrome需要安装chromedriver

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.get("https://www.baidu.com/")
print(browser.page_source)  # 得到文本信息

页面操作

Selenium的WebDriver提供了各种方法来寻找元素

对于一个表单框
<input type="text" name="user-name" id="user-id" />

#获取id标签值
element = browser.find_element_by_id("user-id")
#获取name值
element = browser.find_element_by_name("user-name")
#获取标签名
element = browser.find_element_by_tag("input")
#也可以通过XPath来匹配
element = browser.find_element_by_xpath('//*input[@id="user-id"]/')

元素选取

在一个页面中有很多不同的策略可以定位一个元素。我们可以选择最合适的方法去查找元素。Selenium提供了下列的方法:

单个元素:

find_element_by_id

find_element_by_name

find_element_by_xpath

find_element_by_link_text

find_element_by_class_name

find_element_by_css_selector

多个元素:

find_elements_by_id

....

1. By ID

元素 <div id="id1">...</div>

# 实现
element = browser.find_element_by_id("id1")
#---------or-------
from selenium.webdriver.common.by import By
element = browser.find_element(by=By.ID, value="id1")

2. By Class Name

<div class="cheese"><span>hihi</span></div>

实现
cheese = browser.find_element_by_class_name('cheese')
# ----------------or--------------------
from selenium.webdriver.common.by import By
cheese = browser.find_elements(By.CLASS_NAME, "cheese")

3.By Name

<input name="cheese" type="text" />
# 实现
cheese = browser.find_element_by_name("cheese")

# -------------or-------------------------
from selenium.webdrier.common.by import By
cheese = browser.find_element(By.NAME, "cheese")

4. By Link Text

<a href="http://www.google.com/search?q=cheese">cheese</a>
# 实现

cheese = browser.find_element_by_link_text("cheese")
# ---------------------or-----------------------
from selenium.webdriver.common.by import By
cheese = browser.find_element(By.LINK_TEXT, "cheese")

5.By CSS

<div id="food"><span class="dairy">milk</span></div>
实现

cheese = browser.find_element_by_css_selector("#food span.dairy")
# ----------------or-------------------------------
from selenium.webdriver.common.by import By
cheese = browser.find_element(By.CSS_SELECTOR, "#food span.dairy")

6.By XPath

<input id="kw" name="wd" class="s_ipt" value="" maxlength="" autocomplete="off">
实现

inputs = browser.find_elements_by_xpath('//*[@id="kw"]')
# -------------------or------------------
from selenium.webdriver.common.by import By
inputs = browser.find_elements(By.XPATH, '//*[@id="kw"]')

7.By Partial Link Text

partial link text就是选择这个元素的link text中一部分字段。

<a href="http://www.google.com/search?q=cheese">search for cheese</a>
# 实现

cheese = driver.find_element_by_partial_link_text("cheese")
# -----------------or-----------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.PARTIAL_LINK_TEXT, "cheese")

8.使用案例

导入webdriver
from selenium import webdriver
import time

#要想调用键盘按键操作需要引入keys包
from selenium.webdriver.common.keys import Keys

#调用环境变量指定的PhantomJS浏览器创建浏览器对象
driver = webdriver.PhantomJS()
driver.set_window_size(1920, 1080)  # 此句必须加上，否则会报错
#如果没有在环境变量指定PhantomJS位置
#driver = webdriver.PhantomJS(executable_path = "C:\phantomjs\bin\phantomjs.exe")

#get方法会一直等到页面加载，然后才会继续程序，通常测试会在这里选择time.sleep(2)
time.sleep(2)
driver.get("http://www.baidu.com/")

# 获取css=#u1 > a:nth-child(1)文本内容
data = driver.find_element_by_css_selector('#u1 > a:nth-child(1)').text

# 打印数据内容
print(data) # 新闻

# 生成页面快照并保存
driver.save_screenshot("baidu.png")

# 搜索
# # id="kw"是百度搜索输入框，输入字符串"长城"
driver.find_element_by_id('kw').send_keys('长城')

# id="su"是百度搜索按钮，click()是模拟点击
driver.find_element_by_id('su').click()
time.sleep(1)
# 获取新的页面快照
driver.save_screenshot("长城.png")

# 打印网页渲染后的源代码
print(driver.page_source)

# 获取当前页面Cookie
print('cookies: ',driver.get_cookies())
#
#ctrl+a全选输入框内容
driver.find_element_by_id('kw').send_keys(Keys.CONTROL, 'a')
#ctrl+x剪切输入框内容
driver.find_element_by_id('kw').send_keys(Keys.CONTROL, 'x')
#
#输入框重新输入内容
driver.find_element_by_id('kw').send_keys('python')
#
# 模拟Enter回车键
driver.find_element_by_id('su').send_keys(Keys.RETURN)
time.sleep(5)
# 清空输入框内容
driver.find_element_by_id('kw').clear()
#生成新的页面快照
driver.save_screenshot('python.png')
#获取当前url
print(driver.current_url)

driver.quit()

driver.close()

页面交互

弹窗处理

当你触发了某个事件之后，页面出现了弹窗提示，处理这个提示或者获取提示信息方法如下

alert = driver.switch_to_alert()
alert.accept()

窗口切换

在使用selenium操作浏览器的时候肯定会有很多窗口，所以我们肯定要有方法来实现窗口的切换。切换窗口的方法如下

首先通过driver.window_handles获取每个窗口的操作对象, 然后for循环达到切换窗口的目的。

for handle in driver.window_handles:
    driver.switch_to_window(handle)

#选项卡管理：切换选项卡，有js的方式windows.open,有windows快捷键：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) #获取所有的选项卡
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()

JS执行

from selenium import webdriver
try:
    browser=webdriver.Chrome()
    browser.get('https://www.baidu.com')
    browser.execute_script('alert("hello world")') #打印警告
    time.sleep(10)
finally:
    browser.close()

页面的前进和后退

操作页面的前进和后退功能：

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()

Cookies

获取页面每个Cookies值，用法如下：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com/')
# print(browser.get_cookies())
for cookie in browser.get_cookies():
    print("%s -> %s"%(cookie['name'], cookie['value']))

删除Cookies,用法如下：

#By name
driver.delete_cookie('CookieName')

#all
driver.delete_all_cookies()

frame切换

try:
    browser=webdriver.Chrome()
    browser.get('http://www.runoob.com/try/try.php?filename=tryjs_while')

    browser.switch_to.frame('iframeResult') #切换到id为iframeResult的frame
    time.sleep(3)
    tag1=browser.find_element_by_id('demo')
    print(tag1)

    # tag2=browser.find_element_by_id('textareaCode') #报错，在子frame里无法查看到父frame的元素
    browser.switch_to.parent_frame() #切回父frame,就可以查找到了
    time.sleep(3)

    tag2=browser.find_element_by_id('textareaCode')
    print(tag2)

finally:
    browser.close()

元素的拖动

在selnium当中除了简单的点击动作之外，还有一些稍微复杂动作如元素的拖拽。在实现元素拖拽的时候需要使用另外一个模块。ActionChains这个模块基本可以满足我们对鼠标操作的需求。

ActionChains的执行原理就是当调用ActionChains方法的时候不会立即执行，而是将所有的操作暂时存储在一个队列中，当调用perform()的方法时候，队列会按照放入的先后顺序依次执行。

ActionChains提供的方法

click(on_element=None)  　　                #单击鼠标左键

click_and_hold(on_element=None)　　  #点击鼠标左键，按住不放

context_click(on_element=None)           #点击鼠标右键

double_click(on_element=None)            #双击鼠标左键

drag_and_drop(source,target)              #拖拽到某个元素然后松开

drag_and_drop_by_offset(source,xoffset, yoffset)#拖拽到某个坐标然后松开

move_by_offset(xoffset,yoffset)             #鼠标移动到距离当前位置（x,y）

move_to_element(to_element)               #鼠标移动到某个元素

move_to_element_with_offset(to_element,xoffset, yoffset) #将鼠标移动到距某个元素多少距离的位置

release(on_element=None)                     #在某个元素位置松开鼠标左键

perform()                                            #执行链中的所有动作

示例：

#导入ActionChains类
from selenium.webdriver.common.action_chains import ActionChains

#鼠标移动到ac位置
ac = driver.find_elenemt_by_xpath('element')
ActionChains(driver).move_to_element(ac).perform()

#在ac位置单击
ac = driver.find_element_by_xpath('elementA')
ActionChains(driver).move_to_element(ac).click(ac).perform()

#在ac位置双击
ac = driver.find_element_by_xpath("elementB")
ActionChains(driver).move_to_element(ac).double_click(ac).perform()

#在ac位置右击
ac = driver.find_element_by_xpath('elementC')
ActionChains(driver).move_to_element(ac).context_click(ac).perform()

#在ac位置左键单击hold住
ac = driver.find_element_by_xpath('elementF')
ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform()

#将ac1拖拽到ac2位置
ac1 = driver.find_element_by_xpath('elementD')
ac2 = driver.find_element_by_xpath('elementE')
ActionChains(driver).drag_and_drop(ac1, ac2).perform()

实例

from selenium import webdriver
from selenium.webdriver.common.action_chains  import ActionChains
import time
driver = webdriver.Chrome()
try:
    driver.get('http://www.treejs.cn/v3/demo/cn/exedit/drag.html')
    time.sleep(5)
    element = driver.find_element_by_id('treeDemo_1_span')
    target = driver.find_element_by_id('treeDemo_17_span')
    ActionChains(driver).drag_and_drop(element, target).perform()
    time.sleep(10)
finally:
    driver.quit()

填充表单

我们已经知道了怎样向文本框输入文字，但是有时候我们会碰到<select></select>标签的下拉框。直接点击下拉框中的选项不一定可行。

<select id="status" class="form-control valid" onchange="" name = 'status'>
    <option value=""></option>
    <option value="">未审核</option>
    <option value="">初审通过</option>
    <option value="">复审通过</option>
    <option value="">审核不通过</option>
</select>

Selenium专门提供了Select类来处理下拉框。其实WebDriver中提供了一个叫Select的方法，可以帮助我们完成这些事情：

# 导入Select类
from selenium.webdriver.support.ui import Select

driver = webdriver.PhantomJS()
#找到name的选项卡
select = Select(driver.find_element_by_name('status'))

#s
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text('未审核')
# 以上是三种选择下拉框的方式，它可以根据索引来选择，可以根据值来选择，可以根据文字来选择。注意：
#
# index索引从0开始
# value是option标签的一个属性值，并不是显示在下拉框中的值
# visible_text实在option标签文本的值，是显示在下拉框的值
# 全部取消选择怎么办呢？很简单：

select.deselect_all()

页面等待

现在的大多数的Web应用程序越来越多采用了 Ajax技术，以及程序不能确定何时某个元素完全加载出来了。这会让元素定位困难而且会提高产生 ElementNotVisibleException 的概率。

在selenium当中共有两种等待页面加载的方式，显示等待和隐示等待。

显式等待

显式等待指定某个条件，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会抛出异常了。

显示等待主要使用了WebDriverWait类与expected_conditions模块。

WebDriverWait类是显性等待类，先看下它有哪些参数与方法：

init

    driver: 传入WebDriver实例。  

    timeout: 超时时间，等待的最长时间（同时要考虑隐性等待时间）

    poll_frequency: 调用until中的方法的间隔时间，默认是0.5秒

    ignored_exceptions:忽略的异常，如果在调用until的过程中抛出这个元组中的异常，

           则不中断代码，继续等待，如果抛出的是这个元组外的异常，则中断代码，抛出异常。默认只有NoSuchElementException。

until

    method: 在等待期间，每隔一段时间调用这个传入的方法，直到返回值不是False

    message:如果超时，抛出TimeoutException，将message传入异常

expected_conditions是selenium的一个模块，其中包含一系列可用于判断的条件：

这两个条件类验证title，验证传入的参数title是否等于或包含于driver.title

title_is

title_contains

这两个人条件验证元素是否出现，传入的参数都是元组类型的locator，如(By.ID,'kw')

顾名思义，一个只要一个符合条件的元素加载出来就通过；另一个必须所有符合条件的元素都加载出来才行

presence_of_element_located

presence_of_all_elements_located

这三个条件验证元素是否可见，前两个传入参数是元组类型的locator，第三个传入WebElement

第一个和第三个其实质是一样的

visibility_of_element_located

invisibility_of_element_located

visibility_of

这两个人条件判断某段文本是否出现在某元素中，一个判断元素的text，一个判断元素的value

text_to_be_present_in_element

text_to_be_present_in_element_value

这个条件判断frame是否可切入，可传入locator元组或者直接传入定位方式：id、name、index或WebElement

frame_to_be_available_and_switch_to_it

这个条件判断是否有alert出现

alert_is_present

这个条件判断元素是否可点击，传入locator

element_to_be_clickable

代码使用

from selenium import webdriver
from selenium.webdriver.common.by import By

#WebDriverWait库，负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
#expected_conditions类，负责条件触发
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()

driver.get("http://www.xxxx.com/")

try:
    #页面一直循环，直到id="myDynamicElement"出现
    element = WebDriverWait(driver, 10).until(
            EC.presence_of_element_located((By.ID, "loginname"))
        )
finally:
    driver.quit()    

代码举例

from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By

driver = webdriver.Chrome()
driver.get('https://baidu.com')
locator = (By.LINK_TEXT, '贴吧')

try:
    WebDriverWait(driver, 20, 0.5).until(EC.presence_of_element_located(locator))
    print(driver.find_element_by_link_text('贴吧').get_attribute('href'))
finally:
    driver.close()

隐性等待

隐性等待implicitly_wait(xx)，隐形等待是设置了一个最长等待时间，如果在规定时间内网页加载完成，

则执行下一步，否则一直等到时间截止，然后执行下一步。

弊端就是程序会一直等待整个页面加载完成,就算你需要的元素加载出来了还是需要等待

from selenium import webdriver
driver = webdriver.Chrome()
driver.implicitly_wait(30)
driver.get('https://www.baidu.com')

异常处理

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()

phantomjs介绍

PhantomJS是一个无界面的,可脚本编程的WebKit浏览器引擎。它原生支持多种web标准：DOM 操作，CSS选择器，JSON，Canvas 以及SVG。

phantomjs常用配置

# 引入配置对象DesiredCapabilities

fromselenium.webdriver.common.desired_capabilities import DesiredCapabilities

dcap =dict(DesiredCapabilities.PHANTOMJS)

#从USER_AGENTS列表中随机选一个浏览器头，伪装浏览器

dcap["phantomjs.page.settings.userAgent"]= (random.choice(USER_AGENTS))

# 不载入图片，爬页面速度会快很多

dcap["phantomjs.page.settings.loadImages"]= False

# 设置代理

service_args =['--proxy=127.0.0.1:9999','--proxy-type=socks5']

#打开带配置信息的phantomJS浏览器

driver =webdriver.PhantomJS(phantomjs_driver_path,desired_capabilities=dcap,service_args=service_args)

模拟登录微博

from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC # 提供事件
from selenium.webdriver.common.by import By
import time

#如果获取页面时获取不到文本内容，加入下面参数
browser = webdriver.PhantomJS(service_args=['--ignore-ssl-errors=true', '--ssl-protocol=any'])
browser.set_window_size(1366, 768)
browser.get('https://weibo.com/')

# print(driver.page_source)
#输入账号和密码
try:
    username = ''
    pwd = ''
    wait = WebDriverWait(browser, 20, 0.5)
    wait.until(EC.presence_of_all_elements_located((By.XPATH, '//*[@id="loginname"]')))
    wait.until(EC.presence_of_all_elements_located((By.XPATH, '//*[@id="pl_login_form"]/div/div[3]/div[2]/div/input')))
    user = browser.find_element_by_xpath('//*[@id="loginname"]')
    user.clear() # 清除数据
    user.send_keys(username)  # 输入数据
    time.sleep(5)
    password = browser.find_element_by_xpath('//*[@id="pl_login_form"]/div/div[3]/div[2]/div/input')
    password.send_keys(pwd)  # 输入数据

    page = browser.find_element_by_xpath('//*[@id="pl_login_form"]/div/div[3]/div[6]/a').click()  # 点击按钮跳转
    # print(browser.page_source)  # 得到文本信息
    time.sleep(5)
    # 生成登录后快照
    with open('weibo.html', 'w',encoding='utf-8') as f:
        f.write(browser.page_source)  # 写入文本信息
except Exception as e:
    print(e)
finally:
    browser.quit()   #退出驱动

爬取京东商城商品信息

import time

from selenium import webdriver
from selenium.webdriver.common.keys import Keys  # 键盘按键操作

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')
            # J_goodsList > ul > li:nth-child(5) > div > div.p-price > strong > i
            # J_goodsList > ul > li:nth-child(1) > div > div.p-name.p-name-type-2 > a > em > font
            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
            链接 : %s
            价钱 ：%s
            评论 ：%s
            ''' % (p_name, detail_url, price, p_commit)

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

        button = driver.find_element_by_partial_link_text('下一页')
        # button = driver.find_element_by_xpath('//*[@id = "J_bottomPage"]/span[1]/a[9]/em')
        button.click()
        time.sleep(1)
        print('-----------下一页------------')
        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='iPhoneX手机')

自动登录163并且自动发送邮箱

from selenium import webdriver

browser=webdriver.Chrome()
wait = browser.implicitly_wait(10)
try:
    browser.get('http://mail.163.com/')
    #首先先切到ifame下面
    frame = browser.switch_to.frame("x-URS-iframe")
    input_user = browser.find_element_by_name("email")
    input_pwd = browser.find_element_by_name("password")
    loginbutton = browser.find_element_by_id("dologin")

    input_user.send_keys("aaa")  #输入邮箱
    input_pwd.send_keys("aaa")  #输入密码
    loginbutton.click()  #点击登录

    # 如果遇到验证码，可以把下面一小段打开注释
    # import time
    # time.sleep(10)
    # button = browser.find_element_by_id('dologin')
    # button.click()

    #登录完成之后开始点击写信
    write_msg = browser.find_element_by_xpath("//div[@id='dvNavTop']//li[2]")  #获取第二个li标签就是“写信”了
    print(write_msg.text)
    write_msg.click()   #点击写信按钮

    #找到写信的输入框输入内容
    recv_man = browser.find_element_by_class_name('nui-editableAddr-ipt')  #收件人
    title = browser.find_element_by_css_selector('.dG0 .nui-ipt-input') #标题
    content = browser.find_element_by_class_name("nui-scroll")

    recv_man.send_keys("1234567@qq.com")
    title.send_keys("每天都要开心，开心最重要！！！")
    print(title.tag_name)

    #输入要发送的内容
    frame = browser.find_element_by_class_name("APP-editor-iframe")
    frame = browser.switch_to.frame(frame)

    body = browser.find_element_by_xpath("//body")
    print(body.text)
    body.send_keys("啦啦啦啦啦啦")
    #找到发送按钮。点击发送
    browser.switch_to.parent_frame()  # 切回他爹
    send_button = browser.find_element_by_class_name('nui-toolbar-item')
    send_button.click()
    # 可以睡时间久一点别让浏览器关掉，看看发送成功没有
    import time

    time.sleep(10000)

finally:
    browser.quit()