麦子学院 2017-07-13 19:11

Python爬虫学习之Selenium详解

回复:0 查看:2902

本文和大家分享的主要是python 爬虫利器Selenium的相关内容，一起来看看吧，希望对大家学习python爬虫有所帮助。

　　Selenium 是什么？一句话，自动化测试工具。它支持各种浏览器，包括 Chrome ， Safari ， Firefox 等主流界面式浏览器，如果你在这些浏览器里面安装一个 Selenium 的插件，那么便可以方便地实现 Web 界面的测试。换句话说叫 Selenium 支持这些浏览器驱动。话说回来， PhantomJS 不也是一个浏览器吗，那么 Selenium 支持不？答案是肯定的，这样二者便可以实现无缝对接了。

　　然后又有什么好消息呢？Selenium 支持多种语言开发，比如 Java ， C ， Ruby 等等，有 Python 吗？那是必须的！哦这可真是天大的好消息啊。

　　嗯，所以呢？安装一下 Python 的 Selenium 库，再安装好 PhantomJS ，不就可以实现 Python ＋ Selenium ＋ PhantomJS 的无缝对接了嘛！ PhantomJS 用来渲染解析 JS ， Selenium 用来驱动以及与 Python 的对接， Python 进行后期的处理，完美的三剑客！

　　有人问，为什么不直接用浏览器而用一个没界面的 PhantomJS 呢？答案是：效率高！

　　Selenium 有两个版本，目前最新版本是 2.53.1 （ 2016/3/22 ）

　　 Selenium

　　Selenium 2 ，又名 WebDriver ，它的主要新功能是集成了 Selenium 1.0 以及 WebDriver （ WebDriver 曾经是 Selenium 的竞争对手）。也就是说 Selenium 2 是 Selenium 和 WebDriver 两个项目的合并，即 Selenium 2 兼容 Selenium ，它既支持 Selenium API 也支持 WebDriver API 。

　　查看详情说明 Webdriver

　　嗯，通过以上描述，我们应该对 Selenium 有了大概对认识，接下来就让我们开始进入动态爬取的新世界吧。

　　本文参考内容来自 Selenium 官网 SeleniumPython 文档

　　安装

　　首先安装 Selenium

　　 pip install selenium

　　快速开始

　　初步体验

　　我们先来一个小例子感受一下 Selenium ，这里我们用 Chrome 浏览器来测试，方便查看效果，到真正爬取的时候换回 PhantomJS 即可。

　　from selenium import webdriver

　　browser = webdriver.Chrome()

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

　　运行这段代码，会自动打开浏览器，然后访问百度。

　　如果程序执行错误，浏览器没有打开，那么应该是没有装 Chrome 浏览器或者 Chrome 驱动没有配置在环境变量里。下载驱动，然后将驱动文件路径配置在环境变量即可。

　　浏览器驱动下载: https://sites.google.com/a/chromium.org/chromedriver/downloads

　　比如我的是 Mac OS ，就把下载好的文件放在 /usr/bin 目录下就可以了。

　　模拟提交

　　下面的代码实现了模拟提交提交搜索的功能，首先等页面加载完成，然后输入到搜索框文本，点击提交。

　　from selenium import webdriver

　　from selenium.webdriver.common.keys import Keys

　　driver = webdriver.Chrome()

　　driver. get("http://www.python.org")assert "Python" in driver.title

　　elem = driver.find_element_by_name("q")

　　elem.send_keys("pycon")

　　elem.send_keys(Keys.RETURN)print driver.page_source

　　同样是在 Chrome 里面测试，感受一下。

　　实例说明

　　其中 driver.get 方法会打开请求的 URL ， WebDriver 会等待页面完全加载完成之后才会返回，即程序会等待页面的所有内容加载完成， JS 渲染完毕之后才继续往下执行。注意：如果这里用到了特别多的 Ajax 的话，程序可能不知道是否已经完全加载完毕。

　　WebDriver 提供了许多寻找网页元素的方法，譬如 find_element_by_* 的方法。例如一个输入框可以通过 find_element_by_name 方法寻找 name 属性来确定。然后我们输入来文本然后模拟点击了回车，就像我们敲击键盘一样。我们可以利用 Keys 这个类来模拟键盘输入。

　　最后最重要的一点，获取网页渲染后的源代码，输出 page_source 属性即可。

　　这样，我们就可以做到网页的动态爬取了。

　　测试用例

　　有了以上特性，我们当然可以用来写测试样例了。

　　 import unittest from selenium import webdriver from selenium.webdriver.common.keys import Keys

　　 class PythonOrgSearch(unittest.TestCase):

　　 def setUp(self):

　　self.driver = webdriver.Chrome()

　　 def test_search_in_python_org(self):

　　driver = self.driver

　　driver.get("http://www.python.org")

　　self.assertIn("Python", driver.title)

　　elem = driver.find_element_by_name("q")

　　elem.send_keys("pycon")

　　elem.send_keys(Keys.RETURN) assert "No results found." not in driver.page_source

　　 def tearDown(self):

　　self.driver.close()

　　 if __name__ == "__main__":

　　unittest.main()

　　运行程序，同样的功能，我们将其封装为测试标准类的形式。

　　测试用例

　　测试用例是继承了 unittest.TestCase 类，继承这个类表明这是一个测试类。 setUp 方法是初始化的方法，这个方法会在每个测试类中自动调用。每一个测试方法命名都有规范，必须以 test 开头，会自动执行。最后的 tearDown 方法会在每一个测试方法结束之后调用。这相当于最后的析构方法。在这个方法里写的是 close 方法，你还可以写 quit 方法。不过 close 方法相当于关闭了这个 TAB 选项卡，然而 quit 是退出了整个浏览器。当你只开启了一个 TAB 选项卡的时候，关闭的时候也会将整个浏览器关闭。

　　页面操作

　　页面交互

　　仅仅抓取页面没有多大卵用，我们真正要做的是做到和页面交互，比如点击，输入等等。那么前提就是要找到页面中的元素。WebDriver 提供了各种方法来寻找元素。例如下面有一个表单输入框。

　　我们可以这样获取它

　　element = driver.find_element_by_id("passwd-id")element = driver.find_element_by_name("passwd")element = driver.find_elements_by_tag_name("input")element = driver.find_element_by_xpath("//input[@id='passwd-id']")

　　你还可以通过它的文本链接来获取，但是要小心，文本必须完全匹配才可以，所以这并不是一个很好的匹配方式。

　　而且你在用 xpath 的时候还需要注意的是，如果有多个元素匹配了 xpath ，它只会返回第一个匹配的元素。如果没有找到，那么会抛出 NoSuchElementException 的异常。

　　获取了元素之后，下一步当然就是向文本输入内容了，可以利用下面的方法

　　 element.send_keys("some text")

　　同样你还可以利用 Keys 这个类来模拟点击某个按键。

　　 element.send_keys("and some", Keys.ARROW_DOWN)

　　你可以对任何获取到到元素使用 send_keys 方法，就像你在 GMail 里面点击发送键一样。不过这样会导致的结果就是输入的文本不会自动清除。所以输入的文本都会在原来的基础上继续输入。你可以用下面的方法来清除输入文本的内容。

　　 element.clear()

　　这样输入的文本会被清除。

　　填充表单

　　我们已经知道了怎样向文本框中输入文字，但是其它的表单元素呢？例如下拉选项卡的的处理可以如下

　　element = driver.find_element_by_xpath("//select[@name='name']")

　　all_options = element.find_elements_by_tag_name("option") for option in all_options:

　　print("Value is: %s" % option.get_attribute("value")) option.click()

　　首先获取了第一个 select 元素，也就是下拉选项卡。然后轮流设置了 select 选项卡中的每一个 option 选项。你可以看到，这并不是一个非常有效的方法。

　　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。

　　 from selenium.webdriver.support.ui import Selectselect = Select(driver.find_element_by_name('name')) select.select_by_index(index) select.select_by_visible_text("text") select.select_by_value(value)

　　如你所见，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。是十分方便的。

　　全部取消选择怎么办呢？很简单

　　 select = Select(driver.find_element_by_id('id')) select.deselect_all()

　　这样便可以取消所有的选择。

　　另外我们还可以通过下面的方法获取所有的已选选项。

　　select = Select(driver.find_element_by_xpath("xpath"))all_selected_options = select.all_selected_options

　　获取所有可选选项是

　　 options = select.options

　　如果你把表单都填好了，最后肯定要提交表单对吧。怎吗提交呢？很简单

　　 driver.find_element_by_id("submit").click()

　　这样就相当于模拟点击了 submit 按钮，做到表单提交。

　　当然你也可以单独提交某个元素

　　 element.submit()

　　方法，WebDriver 会在表单中寻找它所在的表单，如果发现这个元素并没有被表单所包围，那么程序会抛出 NoSuchElementException 的异常。

　　元素拖拽

　　要完成元素的拖拽，首先你需要指定被拖动的元素和拖动目标元素，然后利用 ActionChains 类来实现。

　　element = driver.find_element_by_name("source")

　　target = driver.find_element_by_name("target")

　　from selenium.webdriver import ActionChains

　　action_chains = ActionChains(driver)

　　action_chains.drag_and_drop(element, target).perform()

　　这样就实现了元素从 source 拖动到 target 的操作。

　　页面切换

　　一个浏览器肯定会有很多窗口，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

　　 driver.switch_to_window("windowName")

　　另外你可以使用 window_handles 方法来获取每个窗口的操作对象。例如

　　 for handle in driver.window_handles:

　　driver.switch_to_window(handle)

　　另外切换 frame 的方法如下

　　 driver.switch_to_frame(" frameName.0.child")

　　这样焦点会切换到一个 name 为 child 的 frame 上。

　　弹窗处理

　　当你出发了某个事件之后，页面出现了弹窗提示，那么你怎样来处理这个提示或者获取提示信息呢？

　　alert = driver.switch_to_alert()

　　通过上述方法可以获取弹窗对象。

　　历史记录

　　那么怎样来操作页面的前进和后退功能呢？

　　 driver.forward() driver.back()

　　嗯，简洁明了。

　　 Cookies处理

　　为页面添加 Cookies ，用法如下

　　# Go to the correct domain

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

　　# Now set the cookie. This one's valid for the entire domain

　　cookie = {‘name’ : ‘foo’, ‘value’ : ‘bar’}

　　driver.add_cookie(cookie)

　　获取页面 Cookies ，用法如下

　　# Go to the correct domain

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

　　# And now output all the available cookies for the current URL

　　driver.get_cookies()

　　以上便是 Cookies 的处理，同样是非常简单的。

　　元素选取

　　关于元素的选取，有如下的API

　　单个元素选取

　　 find_element_by_id

　　find_element_by_name

　　find_element_by_xpath

　　find_element_by_link_text

　　find_element_by_partial_link_text

　　find_element_by_tag_name

　　find_element_by_class_name

　　find_element_by_css_selector

　　多个元素选取

　　 find_elements_by_name

　　find_elements_by_xpath

　　find_elements_by_link_text

　　find_elements_by_partial_link_text

　　find_elements_by_tag_name

　　find_elements_by_class_name

　　find_elements_by_css_selector

　　另外还可以利用 By 类来确定哪种选择方式

　　 from selenium.webdriver.common. by import By

　　driver.find_element( By.XPATH, '//button[text()="Some text"]')

　　driver.find_elements( By.XPATH, '//button')

　　By 类的一些属性如下

　　 ID = "id"

　　XPATH = "xpath"

　　LINK_TEXT = "link text"

　　PARTIAL_LINK_TEXT = "partial link text"

　　NAME = "name"

　　TAG_NAME = "tag name"

　　CLASS_NAME = "class name"

　　CSS_SELECTOR = "css selector"

　　更详细的元素选择方法参见官方文档

　　元素选择： http://selenium-python.readthedocs.org/en/latest/locating-elements.html

　　页面等待

　　这是非常重要的一部分，现在的网页越来越多采用了 Ajax 技术，这样程序便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。

　　所以 Selenium 提供了两种等待方式，一种是隐式等待，一种是显式等待。

　　隐式等待是等待特定的时间，显式等待是指定某一条件直到这个条件成立时继续执行。

　　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。

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

　　driver = webdriver.Chrome()

　　driver. get("http://somedomain/url_that_delays_loading") try:

　　element = WebDriverWait(driver, 10). until(

　　EC.presence_of_element_located(( By.ID, "myDynamicElement"))

　　) finally:

　　driver.quit()

　　程序默认会 500ms 调用一次来查看元素是否已经生成，如果本来元素就是存在的，那么会立即返回。

　　下面是一些内置的等待条件，你可以直接调用这些条件，而不用自己写某些等待条件了。

　　等待条件

　　title_is

　　title_contains

　　presence_of_element_located

　　visibility_of_element_located

　　visibility_of

　　presence_of_all_elements_located

　　text_to_be_present_in_element

　　text_to_be_present_in_element_value

　　frame_to_be_available_and_switch_to_it

　　invisibility_of_element_located

　　element_to_be_clickable – it is Displayed and Enabled.

　　staleness_of

　　element_to_be_selected

　　element_located_to_be_selected

　　element_selection_state_to_be

　　element_located_selection_state_to_be

　　alert_is_present

　　 from selenium.webdriver.sup port import expected_conditions as EC

　　wait = WebDriverWait(driver, 10)

　　element = wait.until(EC.element_to_be_clickable((By.ID,'someid')))

　　from selenium.webdriver.support import expected_conditions as EC

　　wait = WebDriverWait(driver, 10)

　　element = wait.until(EC.element_to_be_clickable((By.ID,'someid')))

　　隐式等待

　　隐式等待比较简单，就是简单地设置一个等待时间，单位为秒。

　　 from selenium import webdriver

　　driver = webdriver.Chrome()

　　driver.implicitly_wait(10) # seconds

　　driver.get("http://somedomain/url_that_delays_loading")

　　myDynamicElement = driver.find_element_by_id("myDynamicElement")

　　当然如果不设置，默认等待时间为0 。

　　程序框架

　　对于页面测试和分析，官方提供了一个比较明晰的代码结构，可以参考。

　　结语

　　以上就是 Selenium 的基本用法，我们讲解了页面交互，页面渲染之后的源代码的获取。这样，即使页面是 JS 渲染而成的，我们也可以手到擒来了。就是这么溜！

来源：网络