Selenium入门介绍

目录

• Selenium概述
• 浏览器支持
• 工具库
• 开发实践
• 等待
• 操作浏览器
• 定位元素
  • 定位单个元素
  • 定位多个元素
• 获取HTML元素文本的方式

Selenium概述

https://github.com/SeleniumHQ/selenium
https://www.selenium.dev/documentation/en/

三要素：WebDriver，IDE，Grid。

浏览器支持

1.真实浏览器

Chrome，Chromium，Firefox，Internet Explorer，Opera，Safari

2.模拟浏览器

HtmlUnit：Java语言绑定。

https://htmlunit.sourceforge.io/

PhantomJS：

https://phantomjs.org/

工具库

1.Beautiful Soup

从HTML或XML文件中提取数据。
https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/ Beautiful Soup 4.4.0 文档

2.requests/urlib2

下载指定url的数据。

开发实践

第一步：安装Python
https://www.runoob.com/python/python-tutorial.html Python基础教程
https://www.python.org/downloads/ Python官网下载地址

将({PYTHON_HOME}和){PYTHON_HOME}/Scripts目录添加到PATH变量中。

python --version
Python 3.9.6

pip --version
pip 21.1.3 from d:python39libsite-packagespip (python 3.9)

第二步：安装selenium

pip install selenium

Collecting selenium
Downloading selenium-3.141.0-py2.py3-none-any.whl (904 kB)
|████████████████████████████████| 904 kB 64 kB/s
Collecting urllib3
Downloading urllib3-1.26.6-py2.py3-none-any.whl (138 kB)
|████████████████████████████████| 138 kB 94 kB/s
Installing collected packages: urllib3, selenium
Successfully installed selenium-3.141.0 urllib3-1.26.6

第三步：安装浏览器驱动

下载chrome浏览器驱动：https://sites.google.com/a/chromium.org/chromedriver/downloads
国内镜像：http://npm.taobao.org/mirrors/chromedriver/

将驱动程序路径添加到系统PATH变量中：
chromedriver --version
ChromeDriver 91.0.4472.101 (af52a90bf87030dd1523486a1cd3ae25c5d76c9b-refs/branch-heads/4472@{#1462})

第四部：在项目中调用浏览器驱动API访问页面，操作元素等操作

创建Python项目，实战Selenium操作浏览器。

https://www.selenium.dev/documentation/en/webdriver/
https://www.selenium.dev/documentation/en/driver_idiosyncrasies/ 驱动特性

等待

浏览器在加载页面时需要一定的时间，因此在Selenium中定位页面元素时也需要一定的等待时长，已确保页面被正常加载完毕并且可以定位到目标元素。
有4种实现等待的方式：
1.进程等待：

import time

time.sleep(10)

2.显示等待：设置一个满足某个条件的显示等待

from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By

WebDriverWait(driver, timeout=10).until(EC.element_to_be_clickable((By.ID, 'content_left')))

3.隐式等待

driver.implicitly_wait(3)

4.FluentWait等待

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

wait = WebDriverWait(driver, timeout=10, poll_frequency=1)
wait.until(EC.element_to_be_clickable((By.ID, 'content_left')))

特别注意：
Selenium中的显示等待和隐式等待不能一起混合使用，否则将可能会带来一起超出预期的效果。

定位元素

Selenium提供了8种不同的内置元素定位策略，如下所示。

假设DOM内容如下：

<ol id=cheese class="clazz1 clazz2">
 <li id=cheddar name="cheddar">…
 <li id=brie>…
 <li id=rochefort>…
 <li id=camembert>…
 <li>
   <a href="">test</a>
 </li>
</ol>

定位单个元素

1.按元素ID定位

# 只定位一次目标元素
driver.find_element(By.ID, "cheese")

# 先定位到父元素，再缩小查找范围继续按ID定位元素
cheese = driver.find_element(By.ID, "cheese")
cheddar = cheese.find_element(By.ID, "cheddar")

2.根据css定位

cheddar = driver.find_element(By.CSS_SELECTOR, "#cheese #cheddar")

3.根据Class名称定位

# 查找元素的Class名称中包含指定值的元素，注意：传递的参数不能是一个复合class，如：'clazz1 clazz2'
driver.find_element(By.CLASS_NAME, 'clazz1')

4.根据元素Name属性定位

# 定位name属性匹配指定值的元素
driver.find_element(By.NAME, 'cheddar')

5.根据元素可视化文本定位

# 完全匹配元素可视化文本定位
driver.find_element(By.LINK_TEXT, 'test')

6.根据元素可视化文本子集定位

# 根据元素可视化文本部分字段值定位
driver.find_element(By.PARTIAL_LINK_TEXT, 'te')

7.根据元素标签名称定位

# 定位所有a标签元素
driver.find_element(By.TAG_NAME, 'a')

8.根据xpath表达式定位

# 根据xpath表达式定位
driver.find_element(By.XPATH, xpath表达式)

除了上述内置元素定位策略之外，Selenium 4还支持元素相对位置定位的方法。
使用CSS和Class定位时，可以使用SelectorGadget辅助获取。
使用XPath定位时，可以直接使用Chrome自带的开发者工具，选择元素之后复制对应的Xpath信息。

定位多个元素

在定位多个元素时跟定位单个元素使用相同的策略，不同之处在于返回值不再是单个元素，而是一个元素列表。

# 定位多个元素时返回一个列表，如果定位到的元素只有一个，也是返回一个列表（此时列表元素个数为1）
# 如果没有找到目标元素，则返回一个空列表
mucho_cheese = driver.find_elements(By.CSS_SELECTOR, "#cheese li")

获取HTML元素文本的方式

    span：get_attribute('textContent')
textarea：get_attribute('textContent')
       a：get_attribute('textContent')
       p：get_attribute('textContent')
       b：get_attribute('textContent')
      h2：get_attribute('innerHTML')
     div：get_attribute('innerHTML')
table.td：get_attribute('innerHTML')
      em：get_attribute('innerHTML')