前言
-
- selenium的特点是什么？
开源，免费
多浏览器支持：FireFox、Chrome、IE、Opera、Safari
多平台支持：linux、windows、MAC
多语言支持：java、python、ruby、php、C#、JavaScript等
对web页面有良好的支持
简单（API简单）、灵活（用开发语言驱动）
支持分布式测试用例执行
- selenium的特点是什么？
-
- 为什么要学习selenium技术
Selenium 是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，如打开网页，抓取数据等操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见即可爬。对于一些 JavaScript 动态渲染的页面来说，此种抓取方式非常有效
很多网站数据是来自于接口，且对接口做了加密，我们可以使用selenium打开浏览器，访问网页让动态数据变成静态，从而绕过反爬虫手段。
- 为什么要学习selenium技术
一. 准备工作
本节以 Chrome 为例来讲解 Selenium 的用法。在开始之前，请确保已经正确安装好了 Chrome 浏览器并配置好了 ChromeDriver。另外，还需要正确安装好 Python 的 Selenium 库
- selenium文档：https://selenium-python-zh.readthedocs.io/en/latest/
1.1 环境安装
谷歌下载：https://www.google.***/chrome/
pip install selenium
1.2 安装驱动
官网：http://chromedriver.storage.googleapis.***/index.html
注意：
- 驱动要对应浏览器版本，否者会无法启动
- 禁止浏览器更新 打开cmd 输入services.msc 打开后台服务，把浏览器自动更新给禁止
原理：selenium根据驱动打开浏览器进行功能操作
二. 声明浏览器对象
- Selenium 支持非常多的浏览器，如 Chrome、Firefox、Edge 等，还有 Android、BlackBerry 等手机端的浏览器。另外，也支持无界面浏览器 PhantomJS。
初始化
from selenium import webdriver
browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()
这样就完成了浏览器对象的初始化并将其赋值为 browser 对象。接下来，我们要做的就是调用 browser 对象，让其执行各个动作以模拟浏览器操作。
三. 基本使用
3.1 加载指定页面并且进行关闭
from selenium import webdriver
import time
from selenium.webdriver.***mon.by import By
# 打开指定（chrome）浏览器
browser = webdriver.Chrome()
# 指定加载页面
browser.get("http://www.baidu.***/")
# 通过name属性选择文本框元素，并设置内容
browser.find_element(By.NAME,'wd').send_keys("selenium")
# 通过通过ID属性获取“百度一下”按钮，并执行点击操作
browser.find_element(By.ID,"su").click()
# 提取页面
print(browser.page_source.encode('utf-8'))
# 提取cookie
print(browser.get_cookies())
# 获取当前页面截屏
print(browser.get_screenshot_as_file('123.png'))
# 提取当前请求地址
print(browser.current_url)
# 设置五秒后执行下一步
time.sleep(5)
# 关闭浏览器
browser.quit()
四. 初始化配置
from selenium import webdriver
options = webdriver.ChromeOptions()
# 禁止图片
prefs = {"profile.managed_default_content_settings.images": 2}
options.add_experimental_option("prefs", prefs)
# 无头模式 在后台运行
# options.add_argument("-headless")
# 通过设置user-agent
user_ag='MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-***; MB200 Build/GRJ22;CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1'
options.add_argument('user-agent=%s'% user_ag)
#隐藏"Chrome正在受到自动软件的控制"
options.add_experimental_option('useAutomationExtension', False) # 去掉开发者警告
options.add_experimental_option('excludeSwitches', ['enable-automation'])
# 拓展使用
extension_path = r'E:\Baidu***diskDownload\Chrome插件\iguge_2011\igg_2.0.11.crx'
options.add_extension(extension_path)
#设置代理
# options.add_argument("--proxy-server=http://58.20.184.187:9091")
# 初始化配置
browser = webdriver.Chrome(chrome_options=options)
#将浏览器最大化显示
browser.maximize_window()
# 设置宽高
browser.set_window_size(480, 800)
# 通过js新打开一个窗口
browser.execute_script('window.open("http://httpbin.org/ip");')
五. 查找节点
-
Selenium 可以驱动浏览器完成各种操作，比如填充表单、模拟点击等。比如，我们想要完成向某个输入框输入文字的操作或者抓取数据，而 Selenium 提供了一系列查找节点的方法，我们可以用这些方法来获取想要的节点，以便下一步执行一些动作或者提取信息。
-
新版selenium提供了2种方法
-
- find_element()系列：用于定位单个的页面元素。
-
- find_elements()系列：用于定位一组页面元素，获取到的是一组列表。
5.1 单个节点
代码实现
from selenium import webdriver
from selenium.webdriver.***mon.keys import Keys # 模拟键盘操作
from selenium.webdriver.***mon.by import By
# 启动并打开指定页面
browser = webdriver.Chrome()
browser.get("http://www.baidu.***")
# 通过name属性选择文本框元素，并设置内容
s = browser.find_element(By.NAME,'wd')
s.send_keys('衣服')
s.send_keys(Keys.ENTER) # 回车 确定的意思
各种节点提取演示
browser.get("http://www.baidu.***")
# ID选择器定位
input_text = browser.find_element(By.ID, "kw")
input_text.send_keys("selenium")
# CSS 选择器定位
s =browser.find_element(By.CSS_SELECTOR,'input.s_ipt')
s.send_keys('衣服')
# xpath 选择器定位
s = browser.find_element(By.XPATH,'//input[@id="kw"]')
s.send_keys('衣服')
5.2 多个节点
- 如果要查找所有满足条件的节点，需要用 find_elements() 这样的方法。注意，在这个方法的名称中，element 多了一个 s，注意区分。
代码实现
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.icswb.***/channel-list-channel-161.html')
lis = browser.find_elements(By.CSS_SELECTOR,'#NewsListContainer li')
print(lis)
补充解释：
可以看到，得到的内容变成了列表类型，列表中的每个节点都是 WebElement 类型。
六. 节点交互
- Selenium 可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用 send_keys 方法，清空文字时用 clear 方法，点击按钮时用 click 方法。
代码实现
from selenium import webdriver
import time
browser = webdriver.Chrome()
browser.get('https://www.baidu.***')
input = browser.find_element(By.ID,'kw')
input.send_keys('iPhone')
time.sleep(1)
input.clear()
input.send_keys('iPad')
button = browser.find_element(By.ID,'su')
button.click()
通过上面的方法，我们就完成了一些常见节点的动作操作，更多的操作可以参见官方文档的交互动作介绍：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement。
七. 切换IFrame
- 网页中有一种节点叫作 iframe，也就是子 Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。Selenium 打开页面后，它默认是在父级 Frame 里面操作，而此时如果页面中还有子 Frame，它是不能获取到子 Frame 里面的节点的。这时就需要使用 switch_to.frame() 方法来切换 Frame。
代码实现
browser.get('https://www.douban.***/')
login_iframe = browser.find_element(By.XPATH,'//div[@class="login"]/iframe')
browser.switch_to.frame(login_iframe)
browser.find_element(By.CLASS_NAME,'a***ount-tab-a***ount').click()
browser.find_element(By.ID,'username').send_keys('123123123')
注意：对于iframe 网页 一定要切换进去才能够定位
八. 动作链
-
drag_and_drop()方法
-
在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。
-
比如，现在实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处
代码实现
from selenium import webdriver
from selenium.webdriver import ActionChains
browser = webdriver.Chrome()
url = 'http://www.runoob.***/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
log = browser.find_element(By.XPATH, '//div[@id="iframewrapper"]/iframe')
browser.switch_to.frame(log)
source = browser.find_element(By.CSS_SELECTOR,'#draggable')
target = browser.find_element(By.CSS_SELECTOR,'#droppable')
actions = ActionChains(browser)
actions.drag_and_drop(source, target)
actions.perform()
-
drag_and_drop()方法涉及到参数传递，一个是要拖拽元素的起点，一个是要拖拽元素的终点
-
首先，打开网页中的一个拖曳实例，然后依次选中要拖曳的节点和拖曳到的目标节点，接着声明 ActionChains 对象并将其赋值为 actions 变量，然后通过调用 actions 变量的 drag_and_drop() 方法，再调用 perform() 方法执行动作，此时就完成了拖曳操作
九. 页面滚动
代码实现
# 浏览器滚动到底部 10000位置
document.documentElement.scrollTop=10000
# 滚动到顶部
document.documentElement.scrollTop=0
# 移动到页面最底部
browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")
# 移动到指定的坐标(相对当前的坐标移动)
driver.execute_script("window.scrollBy(0, 700)")
# 结合上面的scrollBy语句，相当于移动到700+800=1600像素位置
driver.execute_script("window.scrollBy(0, 800)")
# 移动到窗口绝对位置坐标，如下移动到纵坐标1600像素位置
driver.execute_script("window.scrollTo(0, 1600)")
# 结合上面的scrollTo语句，仍然移动到纵坐标1200像素位置
driver.execute_script("window.scrollTo(0, 1200)")
9.1 页面滚动案例
- 对于某些操作，Selenium API 并没有提供。比如，下拉进度条，它可以直接模拟运行 JavaScript，此时使用 execute_script() 方法即可实现
代码实现
# document.body.scrollHeight 获取页面高度
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://36kr.***/')
# scrollTo 不叠加 200 200 scrollBy 叠加 200 300 500操作
# 慢慢的下拉
for i in range(1,9):
time.sleep(random.randint(100, 300) / 1000)
browser.execute_script('window.scrollTo(0,{})'.format(i * 700)) # scrollTo 不叠加 700 1400 2100
- 这里就利用 execute_script() 方法将进度条下拉到最底部
所以说有了这个方法，基本上 API 没有提供的所有功能都可以用执行 JavaScript 的方式来实现了。
十. 获取节点信息
获取标签属性
- 我们可以使用 get_attribute() 方法来获取节点的属性，但是其前提是先选中这个节点
代码实现
from selenium import webdriver
url = 'https://pic.***bian.***/4kmeinv/index.html'
browser.get(url)
src = browser.find_elements(By.XPATH,'//ul[@class="clearfix"]/li/a/img')
for i in src:
url = i.get_attribute('src')
print(url)
通过 get_attribute() 方法，然后传入想要获取的属性名，就可以得到它的值
十一. 延时等待
- 在 Selenium 中，get() 方法会在网页框架加载结束后结束执行，此时如果获取 page_source，可能并不是浏览器完全加载完成的页面，如果某些页面有额外的 Ajax 请求，我们在网页源代码中也不一定能成功获取到。所以，这里需要延时等待一定时间，确保节点已经加载出来
使用方法
指定要查找的节点，然后指定一个最长等待时间。如果在规定时间内加载出来了这个节点，就返回查找的节点；如果到了规定时间依然没有加载出该节点，则抛出超时异常。
代码实现
from selenium import webdriver
from selenium.webdriver.***mon.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
browser = webdriver.Chrome()
browser.get('https://www.baidu.***/')
wait = WebDriverWait(browser, 10)
input = wait.until(EC.presence_of_element_located((By.ID, 'kw')))
button = wait.until(EC.element_to_be_clickable((By.ID, 'su')))
print(input, button)
补充解释
这样可以做到的效果就是，在 10 秒内如果 ID 为 q 的节点（即搜索框）成功加载出来，就返回该节点；如果超过 10 秒还没有加载出来，就抛出异常。
对于按钮，可以更改一下等待条件，比如改为 element_to_be_clickable，也就是可点击，所以查找按钮时查找 CSS 选择器为.btn-search 的按钮，如果 10 秒内它是可点击的，也就是成功加载出来了，就返回这个按钮节点；如果超过 10 秒还不可点击，也就是没有加载出来，就抛出异常。
- 等待条件及其含义
| 等待条件 | 含义 |
|---|---|
| title_is | 标题是某内容 |
| title_contains | 标题包含某内容 |
| presence_of_element_located | 节点加载出，传入定位元组，如 (By.ID, ‘p’) |
| visibility_of_element_located | 节点可见，传入定位元组 |
| visibility_of | 可见，传入节点对象 |
| presence_of_all_elements_located | 所有节点加载出 |
| text_to_be_present_in_element | 某个节点文本包含某文字 |
| text_to_be_present_in_element_value | 某个节点值包含某文字 |
| frame_to_be_available_and_switch_to_it frame | 加载并切换 |
| invisibility_of_element_located | 节点不可见 |
| element_to_be_clickable | 节点可点击 |
| staleness_of | 判断一个节点是否仍在 DOM，可判断页面是否已经刷新 |
| element_to_be_selected | 节点可选择，传节点对象 |
| element_located_to_be_selected | 节点可选择，传入定位元组 |
| element_selection_state_to_be | 传入节点对象以及状态，相等返回 True，否则返回 False |
| element_located_selection_state_to_be | 传入定位元组以及状态，相等返回 True，否则返回 False |
| alert_is_present | 是否出现 Alert |
十二. 选项卡管理
- 在访问网页的时候，会开启一个个选项卡。在 Selenium 中，我们也可以对选项卡进行操作
代码实现
import time
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.baidu.***')
browser.execute_script('window.open()')
print(browser.window_handles)
browser.switch_to.window(browser.window_handles[1])
browser.get('https://www.baidu.***')
time.sleep(1)
browser.switch_to.window(browser.window_handles[0])
browser.get('https://pic.***bian.***')
补充解释
控制台输出如下：
['CDwindow-4f58e3a7-7167-4587-bedf-9cd8c867f435', 'CDwindow-6e05f076-6d77-453a-a36c-32baa***447df']
- 首先访问了百度，然后调用了 execute_script() 方法，这里传入 window.open() 这个 JavaScript 语句新开启一个选项卡。接下来，我们想切换到该选项卡。这里调用 window_handles 属性获取当前开启的所有选项卡，返回的是选项卡的代号列表。要想切换选项卡，只需要调用 switch_to_window() 方法即可，其中参数是选项卡的代号。这里我们将第二个选项卡代号传入，即跳转到第二个选项卡，接下来在第二个选项卡下打开一个新页面，然后切换回第一个选项卡重新调用 switch_to_window() 方法，再执行其他操作即可。
十三. 异常处理
- 在使用 Selenium 的过程中，难免会遇到一些异常，例如超时、节点未找到等错误，一旦出现此类错误，程序便不会继续运行。这里我们可以使用 try except 语句来捕获各种异常。
代码实现
from selenium import webdriver
from selenium.***mon.exceptions import TimeoutException, NoSuchElementException
browser = webdriver.Chrome()
try:
browser.get('https://www.baidu.***')
except TimeoutException:
print('Time Out')
try:
browser.find_element(By.ID,'hello')
except NoSuchElementException:
print('No Element')
finally:
browser.close()
补充解释
这里我们使用 try except 来捕获各类异常。比如，我们对 find_element_by_id() 查找节点的方法捕获 NoSuchElementException 异常，这样一旦出现这样的错误，就进行异常处理，程序也不会中断了。
控制台的输出如下：
No Element
十四. 绕过检测
# 无处理
browser.get('https://bot.sannysoft.***/')
# 设置屏蔽
options = webdriver.ChromeOptions()
options.add_argument('--disable-blink-features=AutomationControlled')
browsers = webdriver.Chrome(chrome_options=options)
browsers.get('https://bot.sannysoft.***/')
十五. selenium实例
- 采集某品会商品
from selenium import webdriver
import time
import random
from pymongo import MongoClient
from selenium.webdriver.***mon.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
class WeiPin():
def __init__(self):
self.client = MongoClient(host='127.0.0.1', port=27017)
self.col = self.client['spiders']['weipinhui']
options = webdriver.ChromeOptions()
options.add_experimental_option('useAutomationExtension', False) # 去掉开发者警告
options.add_experimental_option('excludeSwitches', ['enable-automation'])
# 不加载图片
prefs = {"profile.managed_default_content_settings.images": 2}
options.add_experimental_option("prefs", prefs)
self.browser = webdriver.Chrome(options=options)
self.browser.maximize_window()
def base(self):
self.browser.get('https://www.vip.***/')
wait = WebDriverWait(self.browser, 10)
input = wait.until(EC.element_to_be_clickable((By.XPATH, '//input[@class="c-search-input J-search-input"]')))
button = wait.until(
EC.element_to_be_clickable((By.XPATH, '//a[@class="c-search-button J-search-button J_fake_a"]')))
input.send_keys('口红')
time.sleep(random.randint(3000, 3400) / 1000)
button.click()
time.sleep(random.randint(1000, 1400) / 1000)
def spider(self):
self.drop_down()
# print(self.browser.page_source)
node_list = self.browser.find_elements(By.XPATH,
'//section[@id="J_searchCatList"]/div[@class="c-goods-item J-goods-item c-goods-item--auto-width"]')
# print(node_list)
for node in node_list:
price = node.find_element(By.XPATH,
'.//div[@class="c-goods-item__sale-price J-goods-item__sale-price"]').text
title = node.find_element(By.XPATH, './/div[2]/div[2]').text
try:
discount = node.find_element(By.XPATH,
'.//div[@class="c-goods-item__main-price J-goods-item__main-price"]/div[@class="c-goods-item__discount J-goods-item__discount"]').text
except Exception as e:
print('数据为空')
discount = '空'
try:
market_price = node.find_element(By.XPATH,
'.//div[@class="c-goods-item__market-price J-goods-item__market-price"]').text
except Exception as e:
print('数据为空')
market_price = '空'
item = {
'title': title,
'price': price,
'discount': discount,
'market_price': market_price
}
print(item)
self.save_mongo(item)
self.page_next()
def save_mongo(self, item):
if isinstance(item, dict):
self.col.insert_one(item)
def page_next(self):
try:
next_button = self.browser.find_element(By.XPATH, '//*[@id="J_nextPage_link"]')
if next_button:
next_button.click()
self.spider()
else:
self.browser.close()
except Exception as e:
self.browser.close()
def drop_down(self):
for x in range(1, 10):
js = f"document.documentElement.scrollTop = {x * 1000}"
self.browser.execute_script(js)
time.sleep(random.randint(500, 800) / 1000)
if __name__ == '__main__':
weipin = WeiPin()
weipin.base()
weipin.spider()
声明
本文章中所有内容仅供学习交流使用，不用于其他任何目的，不提供完整代码，抓包内容、敏感网址、数据接口等均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关
写在最后：
本人写作水平有限,如有讲解不到位或者讲解错误的地方,还请各位大佬在评论区多多指教,共同进步.如有需要代码和讲解交流，可联系微18847868809
