爬虫----selenium模块

一、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，可支持多种浏览器

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

二、安装

 1 #安装：selenium+chromedriver
 2 pip3 install selenium
 3 下载chromdriver.exe放到python安装路径的scripts目录中即可，注意最新版本是2.29，并非2.9
 4 国内镜像网站地址：http://npm.taobao.org/mirrors/chromedriver/2.29/
 5 最新的版本去官网找:https://sites.google.com/a/chromium.org/chromedriver/downloads
 6 
 7 #验证安装
 8 C:UsersAdministrator>python3
 9 Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
10 Type "help", "copyright", "credits" or "license" for more information.
11 >>> from selenium import webdriver
12 >>> driver=webdriver.Chrome() #弹出浏览器
13 >>> driver.get('https://www.baidu.com')
14 >>> driver.page_source
15 
16 #注意：
17 selenium3默认支持的webdriver是Firfox，而Firefox需要安装geckodriver
18 下载链接：https://github.com/mozilla/geckodriver/releases

selenium+chromedriver

 1 #安装：selenium+phantomjs
 2 pip3 install selenium
 3 下载phantomjs，解压后把phantomjs.exe所在的bin目录放到环境变量
 4 下载链接：http://phantomjs.org/download.html
 5 
 6 #验证安装
 7 C:UsersAdministrator>phantomjs
 8 phantomjs> console.log('egon gaga')
 9 egon gaga
10 undefined
11 phantomjs> ^C
12 C:UsersAdministrator>python3
13 Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
14 Type "help", "copyright", "credits" or "license" for more information.
15 >>> from selenium import webdriver
16 >>> driver=webdriver.PhantomJS() #无界面浏览器
17 >>> driver.get('https://www.baidu.com')
18 >>> driver.page_source

selenium+phantomjs

三、基本使用

from selenium import webdriver
from selenium.webdriver import ActionChains   #破解活动验证码的时候用到
from selenium.webdriver.common.by import By   ##按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC  #这个下面的一个是配合来使用的
from selenium.webdriver.support.wait import WebDriverWait  #等待页面加载某些元素
browser = webdriver.Chrome()  # 弹出浏览器
try:
    browser.get("https://ai.taobao.com/")  #打开要访问的页面
    input_tag = browser.find_element_by_id("key")  #找到搜索框
    input_tag.send_keys("生日礼物") #输入内容
    input_tag.send_keys(Keys.ENTER) #按回车
    wait = WebDriverWait(browser,10)
    wait.until(EC.presence_of_element_located((By.CLASS_NAME,"waterfall-bg"))) #等到class为waterfall-bg的元素加载完毕(也就是等加载的内容加载完),
最多等10秒


    print(browser.page_source)
    print(browser.current_url)
    print(browser.get_cookies())
except Exception as error:
    print(error)
finally:
    browser.close()

四、选择器

一基本用法

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By
 4 from selenium.webdriver.common.keys import Keys
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait
 7 import time
 8 
 9 driver = webdriver.Chrome()
10 driver.get("https://www.baidu.com")
11 wait = driver.implicitly_wait(10)  #隐式等待，等所有，默认等10秒
12 
13 #显示等待的用法
14 # wait = WebDriverWait(driver,10)  #显示等待，等指定的，和EC配合这使用
15 # wait.until(EC.presence_of_element_located((By.ID,"kw")))
16 # 如果显示等待是不能进行点击的，如果要点击，就得按照下面这样的方式，而隐式等待就不用考虑这个问题了。
17 # button = wait.until(EC.element_to_be_clickable((By.ID,"kw")))
18 # button.click()
19 try:
20     # 1、find_element_by_id通过id来找
21     # tag = driver.find_element_by_id("su")
22     # print(tag.get_attribute("value"))  #获取上面这个标签的属性
23     # 2、find_element_by_link_text通过有链接的文本去找
24     # login = driver.find_element_by_link_text("登录")
25     # print(login.get_attribute("href"))
26     # login.click()  #点击登录按钮
27     # 3、find_element_by_partial_link_text 找到包含这个录字的链接文本去找
28     # login =  driver.find_element_by_partial_link_text("录")
29     # login.click()
30     # 4、find_element_by_tag_name通过标签的名字去找
31     # print(driver.find_element_by_tag_name("a"))
32     # time.sleep(5)
33     # 5、find_element_by_class_name通过类名去找
34     # print(driver.find_element_by_class_name("tang-pass-footerBarULogin"))
35    # 6、通过css选择器找
36    print(driver.find_element_by_css_selector("#kw"))
37 finally:
38     driver.quit()

View Code

二 xpath

 1 #官网链接：http://selenium-python.readthedocs.io/locating-elements.html
 2 from selenium import webdriver
 3 from selenium.webdriver import ActionChains
 4 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 5 from selenium.webdriver.common.keys import Keys #键盘按键操作
 6 from selenium.webdriver.support import expected_conditions as EC
 7 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 8 import time
 9 
10 driver=webdriver.PhantomJS()
11 driver.get('https://doc.scrapy.org/en/latest/_static/selectors-sample1.html')
12 # wait=WebDriverWait(driver,3)
13 driver.implicitly_wait(3) #使用隐式等待
14 
15 try:
16     # find_element_by_xpath
17     #//与/
18     # driver.find_element_by_xpath('//body/a')  # 开头的//代表从整篇文档中寻找,body之后的/代表body的儿子，这一行找不到就会报错了
19 
20     driver.find_element_by_xpath('//body//a')  # 开头的//代表从整篇文档中寻找,body之后的//代表body的子子孙孙
21     driver.find_element_by_css_selector('body a')
22 
23     #取第n个
24     res1=driver.find_elements_by_xpath('//body//a[1]') #取第一个a标签
25     print(res1[0].text)
26 
27     #按照属性查找,下述三者查找效果一样
28     res1=driver.find_element_by_xpath('//a[5]')
29     res2=driver.find_element_by_xpath('//a[@href="image5.html"]')
30     res3=driver.find_element_by_xpath('//a[contains(@href,"image5")]') #模糊查找
31     print('==>', res1.text)
32     print('==>',res2.text)
33     print('==>',res3.text)
34 
35 
36     #其他
37     res1=driver.find_element_by_xpath('/html/body/div/a')
38     print(res1.text)
39 
40     res2=driver.find_element_by_xpath('//a[img/@src="image3_thumb.jpg"]') #找到子标签img的src属性为image3_thumb.jpg的a标签
41     print(res2.tag_name,res2.text)
42 
43     res3 = driver.find_element_by_xpath("//input[@name='continue'][@type='button']") #查看属性name为continue且属性type为button的input标签
44     res4 = driver.find_element_by_xpath("//*[@name='continue'][@type='button']") #查看属性name为continue且属性type为button的所有标签
45     
46     
47     time.sleep(5)
48 
49 finally:
50     driver.close()

View Code

三获取标签属性

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 4 from selenium.webdriver.common.keys import Keys #键盘按键操作
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 7 
 8 browser=webdriver.Chrome()
 9 
10 browser.get('https://www.amazon.cn/')
11 
12 wait=WebDriverWait(browser,10)
13 wait.until(EC.presence_of_element_located((By.ID,'cc-lm-tcgShowImgContainer')))
14 
15 tag=browser.find_element(By.CSS_SELECTOR,'#cc-lm-tcgShowImgContainer img')
16 
17 #获取标签属性，
18 print(tag.get_attribute('src'))
19 
20 
21 #获取标签ID，位置，名称，大小（了解）
22 print(tag.id)
23 print(tag.location)
24 print(tag.tag_name)
25 print(tag.size)
26 
27 
28 browser.close()

获取标签属性

五、等待元素被加载

#1、selenium只是模拟浏览器的行为，而浏览器解析页面是需要时间的（执行css，js），一些元素可能需要过一段时间才能加载出来，为了保证能查找到元素，必须等待

#2、等待的方式分两种：
隐式等待：在browser.get（'xxx'）前就设置，针对所有元素有效
显式等待：在browser.get（'xxx'）之后设置，只针对某个元素有效

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 4 from selenium.webdriver.common.keys import Keys #键盘按键操作
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 7 
 8 browser=webdriver.Chrome()
 9 
10 #隐式等待:在查找所有元素时，如果尚未被加载，则等10秒
11 browser.implicitly_wait(10)
12 
13 browser.get('https://www.baidu.com')
14 
15 
16 input_tag=browser.find_element_by_id('kw')
17 input_tag.send_keys('美女')
18 input_tag.send_keys(Keys.ENTER)
19 
20 contents=browser.find_element_by_id('content_left') #没有等待环节而直接查找，找不到则会报错
21 print(contents)
22 
23 browser.close()

隐式等待

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 4 from selenium.webdriver.common.keys import Keys #键盘按键操作
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 7 
 8 browser=webdriver.Chrome()
 9 browser.get('https://www.baidu.com')
10 
11 
12 input_tag=browser.find_element_by_id('kw')
13 input_tag.send_keys('美女')
14 input_tag.send_keys(Keys.ENTER)
15 
16 
17 #显式等待：显式地等待某个元素被加载
18 wait=WebDriverWait(browser,10)
19 wait.until(EC.presence_of_element_located((By.ID,'content_left')))
20 
21 contents=browser.find_element(By.CSS_SELECTOR,'#content_left')
22 print(contents)
23 
24 
25 browser.close()

显式等待

六、元素交互操作

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 4 from selenium.webdriver.common.keys import Keys #键盘按键操作
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 7 
 8 browser=webdriver.Chrome()
 9 browser.get('https://www.amazon.cn/')
10 wait=WebDriverWait(browser,10)
11 
12 
13 input_tag=wait.until(EC.presence_of_element_located((By.ID,'twotabsearchtextbox')))
14 input_tag.send_keys('iphone 8')
15 button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
16 button.click()
17 
18 
19 import time
20 time.sleep(3)
21 
22 input_tag=browser.find_element_by_id('twotabsearchtextbox')
23 input_tag.clear() #清空输入框
24 input_tag.send_keys('iphone7plus')
25 button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
26 button.click()
27 
28 
29 
30 # browser.close()

点击，清空

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By  # 按照什么方式查找，By.ID,By.CSS_SELECTOR
 4 from selenium.webdriver.common.keys import Keys  # 键盘按键操作
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
 7 import time
 8 
 9 driver = webdriver.Chrome()
10 driver.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
11 wait=WebDriverWait(driver,3)
12 # driver.implicitly_wait(3)  # 使用隐式等待
13 
14 try:
15     driver.switch_to.frame('iframeResult') ##切换到iframeResult
16     sourse=driver.find_element_by_id('draggable')
17     target=driver.find_element_by_id('droppable')
18 
19     #方式一：基于同一个动作链串行执行
20     # actions=ActionChains(driver) #拿到动作链对象
21     # actions.drag_and_drop(sourse,target) #把动作放到动作链中，准备串行执行
22     # actions.perform()
23 
24     #方式二：不同的动作链，每次移动的位移都不同
25     ActionChains(driver).click_and_hold(sourse).perform()
26     distance=target.location['x']-sourse.location['x']
27 
28     track=0
29     while track < distance:
30         ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform()
31         track+=2
32 
33     ActionChains(driver).release().perform()
34 
35     time.sleep(10)
36 
37 finally:
38     driver.close()

Action Chains

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 4 from selenium.webdriver.common.keys import Keys #键盘按键操作
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 7 
 8 
 9 try:
10     browser=webdriver.Chrome()
11     browser.get('https://www.baidu.com')
12     browser.execute_script('alert("hello world")') #打印警告
13 finally:
14     browser.close()

在交互动作比较难实现的时候可以自己写JS（万能方法）

 1 #frame相当于一个单独的网页，在父frame里是无法直接查看到子frame的元素的，必须switch_to_frame切到该frame下，才能进一步查找
 2 
 3 from selenium import webdriver
 4 from selenium.webdriver import ActionChains
 5 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 6 from selenium.webdriver.common.keys import Keys #键盘按键操作
 7 from selenium.webdriver.support import expected_conditions as EC
 8 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 9 
10 
11 try:
12     browser=webdriver.Chrome()
13     browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
14 
15     browser.switch_to.frame('iframeResult') #切换到id为iframeResult的frame
16 
17     tag1=browser.find_element_by_id('droppable')
18     print(tag1)
19 
20     # tag2=browser.find_element_by_id('textareaCode') #报错，在子frame里无法查看到父frame的元素
21     browser.switch_to.parent_frame() #切回父frame,就可以查找到了
22     tag2=browser.find_element_by_id('textareaCode')
23     print(tag2)
24 
25 finally:
26     browser.close()

补充:frame的切换

七、其他

 1 #模拟浏览器的前进后退
 2 import time
 3 from selenium import webdriver
 4 
 5 browser=webdriver.Chrome()
 6 browser.get('https://www.baidu.com')
 7 browser.get('https://www.taobao.com')
 8 browser.get('http://www.sina.com.cn/')
 9 
10 browser.back()
11 time.sleep(10)
12 browser.forward()
13 browser.close()

模拟浏览器的前进后退

 1 #cookies
 2 from selenium import webdriver
 3 
 4 browser=webdriver.Chrome()
 5 browser.get('https://www.zhihu.com/explore')
 6 print(browser.get_cookies())
 7 browser.add_cookie({'k1':'xxx','k2':'yyy'})
 8 print(browser.get_cookies())
 9 
10 # browser.delete_all_cookies()

 1 #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
 2 import time
 3 from selenium import webdriver
 4 
 5 browser=webdriver.Chrome()
 6 browser.get('https://www.baidu.com')
 7 browser.execute_script('window.open()')
 8 
 9 print(browser.window_handles) #获取所有的选项卡
10 browser.switch_to_window(browser.window_handles[1])
11 browser.get('https://www.taobao.com')
12 time.sleep(10)
13 browser.switch_to_window(browser.window_handles[0])
14 browser.get('https://www.sina.com.cn')
15 browser.close()

选项卡管理

 1 from selenium import webdriver
 2 from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
 3 
 4 try:
 5     browser=webdriver.Chrome()
 6     browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
 7     browser.switch_to.frame('iframssseResult')
 8 
 9 except TimeoutException as e:
10     print(e)
11 except NoSuchFrameException as e:
12     print(e)
13 finally:
14     browser.close()

异常处理

八、练习

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By
 4 from selenium.webdriver.common.keys import Keys
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait
 7 browser=webdriver.Chrome()
 8 wait = browser.implicitly_wait(10)
 9 try:
10     browser.get('http://mail.163.com/')
11     #首先先切到ifame下面
12     frame = browser.switch_to.frame("x-URS-iframe")
13     input_user = browser.find_element_by_name("email")
14     input_pwd = browser.find_element_by_name("password")
15     loginbutton = browser.find_element_by_id("dologin")
16 
17     input_user.send_keys("18093191510")  #输入邮箱
18     input_pwd.send_keys("zhy..azjash1111")  #输入密码
19     loginbutton.click()  #点击登录
20 
21     # 如果遇到验证码，可以把下面一小段打开注释
22     # import time
23     # time.sleep(10)
24     # button = browser.find_element_by_id('dologin')
25     # button.click()
26 
27     #登录完成之后开始点击写信
28     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
29     print(write_msg.text)
30     write_msg.click()   #点击写信按钮
31 
32     #找到写信的输入框输入内容
33     recv_man = browser.find_element_by_class_name('nui-editableAddr-ipt')  #收件人
34     title = browser.find_element_by_css_selector('.dG0 .nui-ipt-input') #标题
35     content = browser.find_element_by_class_name("nui-scroll")
36 
37     recv_man.send_keys("2533916647@qq.com")
38     title.send_keys("每天都要开心，开心最重要！！！")
39     print(title.tag_name)
40 
41     #输入要发送的内容
42     frame = browser.find_element_by_class_name("APP-editor-iframe")
43     frame = browser.switch_to.frame(frame)
44 
45     body = browser.find_element_by_xpath("//body")
46     print(body.text)
47     body.send_keys("啦啦啦啦啦啦")
48     #找到发送按钮。点击发送
49     browser.switch_to.parent_frame()  # 切回他爹
50     send_button = browser.find_element_by_class_name('nui-toolbar-item')
51     send_button.click()
52     # 可以睡时间久一点别让浏览器关掉，看看发送成功没有
53     import time
54 
55     time.sleep(10000)
56 
57 finally:
58     browser.quit()

自动登录123并且自动发送邮箱

 1 from selenium import webdriver
 2 from selenium.webdriver import ActionChains
 3 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 4 from selenium.webdriver.common.keys import Keys #键盘按键操作
 5 from selenium.webdriver.support import expected_conditions as EC
 6 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 7 import time
 8 
 9 
10 def get_goods(driver):
11     try:
12         goods=driver.find_elements_by_class_name('gl-item')
13 
14         for good in goods:
15             detail_url=good.find_element_by_tag_name('a').get_attribute('href')
16 
17             p_name=good.find_element_by_css_selector('.p-name em').text.replace('
','')
18             price=good.find_element_by_css_selector('.p-price i').text
19             p_commit=good.find_element_by_css_selector('.p-commit a').text
20 
21             msg = '''
22             商品 : %s
23             链接 : %s
24             价钱 ：%s
25             评论 ：%s
26             ''' % (p_name,detail_url,price,p_commit)
27 
28             print(msg,end='

')
29 
30 
31         button=driver.find_element_by_partial_link_text('下一页')
32         button.click()
33         time.sleep(1)
34         get_goods(driver)
35     except Exception:
36         pass
37 
38 def spider(url,keyword):
39     driver = webdriver.Chrome()
40     driver.get(url)
41     driver.implicitly_wait(3)  # 使用隐式等待
42     try:
43         input_tag=driver.find_element_by_id('key')
44         input_tag.send_keys(keyword)
45         input_tag.send_keys(Keys.ENTER)
46         get_goods(driver)
47     finally:
48         driver.close()
49 
50 
51 if __name__ == '__main__':
52     spider('https://www.jd.com/',keyword='iPhone8手机')

爬取京东商城商品信息