(六)Selenium库学习|Python3网络爬虫开发实战

作者: 努力奋斗的durian | 来源:发表于2018-02-06 20:20 被阅读79次

最近更新：2018-02-06

1.Selenium库的了解
2.Selenium的基本使用
3.声明浏览器对象
4.访问页面
5.查找元素
6.元素交互-将动作附加到动作链中串行执行
7.交互动作-将动作附加到动作链中串行执行
8.执行JavaScript
9.获取元素信息
10.切换Frame
11.延时等待
12.前进后退
13.Cookies
14.选项卡管理
15.异常处理
学习参考链接:Python3中Selenium使用方法

1.Selenium库的了解

2.Selenium的基本使用

百度搜索的一个链接,搜索的关键词是"python"

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

browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
    input = browser.find_element_by_id('kw')
    input.send_keys('Python')
    input.send_keys(Keys.ENTER)
    wait = WebDriverWait(browser, 10)
    wait.until(EC.presence_of_element_located((By.ID, 'content_left')))
    print(browser.current_url)#网页链接
    print(browser.get_cookies())#列表的形式返回
    print(browser.page_source)#网页源代码
finally:
    browser.close()

运行代码之后，如果正确配置好了ChromeDriver，可以发现会自动弹出一个浏览器，浏览器首先会跳转到百度，然后在搜索框中输入Python进行搜索，然后跳转到搜索结果页，等待搜索结果加载出来之后，控制台分别会输出当前的URL，当前的Cookies还有网页源代码。

最终显示的结果,如下:

源代码过长在此省略，那么当前的URL，Cookies，源代码都是浏览器中的真实内容。所以说，如果我们用Selenium来驱动浏览器加载网页的话，我们就可以拿到JavaScrit渲染的结果了。

3.声明浏览器对象

Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等，还有手机端的浏览器Android、BlackBerry等，另外无界面浏览器PhantomJS也同样支持。

我们可以用如下的方式初始化：

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()

这样我们就完成了一个浏览器对象的初始化，接下来我们要做的就是调用browser对象，让其执行各个动作，就可以模拟浏览器操作了。

4.访问页面

我们可以用get()方法来请求一个网页，参数传入链接URL即可，比如在这里我们用get()方法访问淘宝，然后打印出源代码，代码如下：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
print(browser.page_source)
browser.close()

5.查找元素

5.1单个元素

elenium可以驱动浏览器完成各种操作，比如填充表单，模拟点击等等，比如我们想要完成向某个输入框输入文字的操作，总得需要知道这个输入框在哪里吧？所以Selenium提供了一系列查找元素的方法，我们可以用这些方法来获取想要的元素，以便于下一步执行一些动作或者提取信息。

比如我们想要从淘宝页面中提取搜索框这个元素，首先观察它的源代码：

可以发现它的ID是q，Name也是q，还有许多其他属性，我们获取它的方式就有多种形式了，比如find_element_by_name()是根据Name值获取，ind_element_by_id()是根据ID获取，另外还有根据XPath、CSS Selector等获取。

我们代码实现一下：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element_by_id('q')#这三个结果是一样的
input_second = browser.find_element_by_css_selector('#q')#这三个结果是一样的
input_third = browser.find_element_by_xpath('//*[@id="q"]')#这三个结果是一样的
print(input_first, input_second, input_third)
browser.close()

在这里我们使用了三种方式获取输入框，根据ID，CSS Selector，和XPath获取，它们返回的结果是完全一致的。

最终显示的结果:

5.1.1在这里列出所有获取单个元素的方法：

find_element_by_name通过name来查找
find_element_by_xpath通过xpath来查找
find_element_by_link_text通过link来查找
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector

5.1.2通用的查找方式

另外Selenium还提供了通用的find_element()方法，它需要传入两个参数，一个是查找的方式By，另一个就是值，实际上它就是find_element_by_id()这种方法的通用函数版本，比如find_element_by_id(id)就等价于find_element(By.ID, id)。

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

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element(By.ID, 'q')
print(input_first)
browser.close()

返回的结果,如下:

这样的查找方式实际上功能和上面列举的查找函数完全一致，不过参数更加灵活。

5.2多个元素

如果我们查找的目标在网页中只有一个，那么完全可以用find_element()方法，但如果有多个元素，再用find_element()方法查找就只能得到第一个元素了，如果要查找所有满足条件的元素，那就需要用find_elements()这样的方法了，方法名称中element多了一个s。
查找的标签,如截图:

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
lis = browser.find_elements_by_css_selector('.service-bd li')#查找标签
#lis = browser.find_elements(By.CSS_SELECTOR, '.service-bd li')等价
print(lis)
browser.close()

返回的结果:

注意:

可以看到得到的内容就变成了list类型，list的每个元素都是WebElement类型。
也就是说，如果我们用find_element()方法，只能获取匹配的第一个元素，结果是WebElement类型，如果用find_elements()方法，则结果是list类型，listd每个元素是WebElement类型。

5.2.1通用的查找方式获取多个元素的方法：

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

5.2.2通用的查找方式

当然我们和刚才一样，也可可以直接find_elements()方法来选择，所以也可以这样来写结果是完全一致的。

Selenium还提供了通用的find_element()方法，它需要传入两个参数，一个是查找的方式By，另一个就是值，实际上它就是find_elements_by_id()这种方法的通用函数版本，比如find_elements_by_id(id)就等价于find_elements(By.ID, id)。想获取单个元素,可以用索引的方式获取.

6.元素交互-将动作附加到动作链中串行执行

Selenium可以驱动浏览器来执行一些操作，也就是说我们可以让浏览器模拟执行一些动作，比较常见的用法有：

输入文字用send_keys()方法，清空文字用clear()方法，另外还有按钮点击，用click()方法。

我们用一个实例来感受一下：
交换动作顺序为在输入框输入iphone,等了1秒,清空,在输入框输入ipad,点击搜索.

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')#文本框的id为q的元素
input.send_keys('iPhone')#文本框输入iphone
time.sleep(1)#等了1秒
input.clear()#文本框清空
input.send_keys('iPad')
button = browser.find_element_by_class_name('btn-search')
button.click()

代码解析
input = browser.find_element_by_id('q')指的是输入框

image.png

button = browser.find_element_by_class_name('btn-search')指的是搜索按钮

上述代码综合解析

在这里我们首先驱动浏览器打开淘宝
然后用find_element_by_id()方法获取输入框
然后用send_keys()方法输入iPhone文字
等待一秒之后用clear()方法清空输入框
再次调用send_keys()方法输入iPad文字，
之后再用find_element_by_class_name()方法获取搜索按钮
最后调用click()方法完成搜索动作。

通过上面的方法我们就完成了一些常见元素的动作操作，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

7.交互动作-将动作附加到动作链中串行执行

在上面的实例中，一些交互动作都是针对某个元素执行的，比如输入框我们就调用它的输入文字和清空文字方法，按钮就调用它的点击方法，其实还有另外的一些操作它是没有特定的执行对象的。比如鼠标拖拽，键盘按键等操作。所以这些动作我们有另一种方式来执行，那就是加到动作链中。

比如我们现在实现一个元素拖拽操作，将某个元素从一处拖拽到另外一处，我们用代码来感受一下：

from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')#切换到frame标签
source = browser.find_element_by_css_selector('#draggable')
target = browser.find_element_by_css_selector('#droppable')
actions = ActionChains(browser)#声明动作链
actions.drag_and_drop(source, target)#把source拖拽到target
actions.perform()#执行动作

代码解析
browser.switch_to.frame('iframeResult')切换到frame标签中的iframe标签

image.png
source = browser.find_element_by_css_selector('#draggable')被拖载对象

target = browser.find_element_by_css_selector('#droppable')

上述代码综合解析
首先我们打开网页中的一个拖拽实例，然后依次选中要被拖拽的元素和拖拽到的目标元素，然后声明了ActionChains对象赋值为actions变量，然后通过调用actions变量的drag_and_drop()方法，然后再调用perform()方法执行动作，就完成了拖拽操作。
更多操作: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

8.执行JavaScript

另外对于某些操作，API没有提供的，如下拉进度条等，可以直接模拟运行Java，使用execute_()方法。如果其他方法实现不了,可以用这个方法,这个是万能的方法.

#打开知乎网站,把进度条拉到最下端,弹出alert提示框。
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')

在这里我们就利用了execute_()方法将进度条下拉到最底部，然后弹出alert提示框。

所以说有了这个，基本上API没有提供的所有的功能都可以用执行Java的方式来实现了。

9.获取元素信息

我们在前面说过通过page_source属性可以获取网页的源代码，获取源代码之后就可以使用解析库如正则、BeautifulSoup、PyQuery等来提取信息了。

不过既然Selenium已经提供了选择元素的方法，返回的是WebElement类型，那么它也有相关的方法和属性来直接提取元素信息，如属性、文本等等。这样的话我们能就不用通过解析源代码来提取信息了，非常方便。

那接下来我们就看一下可以通过怎样的方式来获取元素信息吧。

9.1获取属性

我们可以使用get_attribute()方法来获取元素的属性，那么这个的前提就是先选中这个元素。

from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
logo = browser.find_element_by_id('zh-top-link-logo')
print(logo)
print(logo.get_attribute('class'))

运行之后程序便会驱动浏览器打开知乎的页面，然后获取知乎的LOGO元素，然后将它的class打印出来。

控制台输出结果：

我们通过get_attribute()方法，然后传入想要获取的属性名，就可以得到它的值了。

9.2获取文本值

每个WebEelement元素都有text属性，我们可以通过直接调用这个属性就可以得到元素内部的文本信息了，就相当于BeautifulSoup的get_text()方法、PyQuery的text()方法。

我们用一个实例来感受一下：

from selenium import webdriver

browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.text)

在这里们依然是先打开知乎页面，然后获取提问按钮这个元素，再将其文本值打印出来。

控制台输出结果：

9.3获取ID、位置、标签名、大小

另外WebElement元素还有一些其他的属性，比如id属性可以获取元素id，location可以获取该元素在页面中的相对位置，tag_name可以获取标签名称，size可以获取元素的大小，也就是宽高，这些属性有时候还是很有用的。

我们用实例来感受一下：

from selenium import webdriver

browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.id)
print(input.location)
print(input.tag_name)
print(input.size)

控制台输出结果:

0.8184939056223559-1
{'x': 757.5, 'y': 7}
button
{'height': 32, 'width': 66}

在这里我们首先获得了提问按钮这个元素，然后调用其id、location、tag_name、size属性即可获取对应的属性值。

10.切换Frame

我们知道在网页中有这样一种标签叫做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是完全一致的。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里面的元素的。所以这时候我们就需要使用switch_to.frame()方法来切换Frame。

我们首先用一个实例来感受一下：

import time
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css_selector('#draggable')
print(source)
try:
    logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    print('NO LOGO')
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

控制台输出结果:

<selenium.webdriver.remote.webelement.WebElement (session="c53f8af5a88f055d4cb518038102c673", element="0.22327377533723425-1")>
NO LOGO
<selenium.webdriver.remote.webelement.WebElement (session="c53f8af5a88f055d4cb518038102c673", element="0.11215924446680914-2")>
RUNOOB.COM

我们还是以上文演示动作链操作的网页为实例，首先我们通过switch_to.frame()方法切换到子Frame里面，然后我们尝试获取父级Frame里的LOGO元素，是不能找到的，找不到的话就会抛出NoSuchElementException异常，异常被捕捉之后就会输出NO LOGO，接下来我们重新切换回父Frame，然后再次重新获取元素，发现就可以成功获取了。

所以，当页面中包含子Frame时，如果我们想获取子Frame中的元素，需要先调用switch_to.frame()方法切换到对应的Frame，然后再进行操作。

11.延时等待

在Selenium中，get()方法会在网页框架加载结束之后就结束执行，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。所以这里我们需要延时等待一定时间确保元素已经加载出来。

在这里等待的方式有两种，一种隐式等待，一种显式等待。

11.1隐式等待

当使用了隐式等待执行测试的时候，如果Selenium没有在DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常, 换句话说，当查找元素而元素并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0。

from selenium import webdriver

browser = webdriver.Chrome()
browser.implicitly_wait(10)
browser.get('https://www.zhihu.com/explore')
input = browser.find_element_by_class_name('zu-top-add-question')
print(input)

控制台返回结果:

<selenium.webdriver.remote.webelement.WebElement (session="7579ed6c324043628129d6d13005b9df", element="0.08604695519953487-1")>

在这里我们用implicitly_wait()方法实现了隐式等待。

11.2显式等待

隐式等待的效果其实并没有那么好，因为我们只是规定了一个固定时间，而页面的加载时间是受到网络条件影响的。

所以在这里还有一种更合适的显式等待方法，它指定好要查找的元素，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元素，那就返回查找的元素，如果到了规定时间依然没有加载出该元素，则会抛出超时异常。

from selenium import webdriver
from selenium.webdriver.common.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.taobao.com/')
wait = WebDriverWait(browser, 10)
input = wait.until(EC.presence_of_element_located((By.ID, 'q')))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))
print(input, button)

在这里我们首先引入了WebDriverWait这个对象，指定好最长等待时间，然后调用它的until()方法，传入要等待条件expected_conditions，比如在这里我们传入了presence_of_element_located这个条件，就代表元素出现的意思，其参数是元素的定位元组，也就是ID为q的元素搜索框。

所以这样可以做到的效果就是，在10秒内如果ID为q的元素即搜索框成功加载出来了，那就返回该元素，如果超过10秒还没有加载出来，那就抛出异常。

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，所以查找按钮时是查找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，那就返回这个按钮元素，如果超过10秒还不可点击，也就是没有加载出来，那就抛出异常。

控制台返回结果:

<selenium.webdriver.remote.webelement.WebElement (session="07dd2fbc2d5b1ce40e82b9754aba8fa8", element="0.5642646294074107-1")> <selenium.webdriver.remote.webelement.WebElement (session="07dd2fbc2d5b1ce40e82b9754aba8fa8", element="0.5642646294074107-2")>

可以看到控制台成功输出了两个元素，都是WebElement类型。

如果网络有问题，10秒内没有成功加载，那就抛出TimeoutException，控制台输出如下：

关于等待条件，其实还有很多，比如判断标题内容，判断某个元素内是否出现了某文字，在这里将所有的加载条件列举如下：

title_is 标题是某内容
title_contains 标题包含某内容
presence_of_element_located 元素加载出，传入定位元组，如(By.ID, 'p')
visibility_of_element_located 元素可见，传入定位元组
visibility_of 可见，传入元素对象
presence_of_all_elements_located 所有元素加载出
text_to_be_present_in_element 某个元素文本包含某文字
text_to_be_present_in_element_value 某个元素值包含某文字
frame_to_be_available_and_switch_to_it frame加载并切换
invisibility_of_element_located 元素不可见
element_to_be_clickable 元素可点击
staleness_of 判断一个元素是否仍在DOM，可判断页面是否已经刷新
element_to_be_selected 元素可选择，传元素对象
element_located_to_be_selected 元素可选择，传入定位元组
element_selection_state_to_be 传入元素对象以及状态，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

详细内容：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

12.前进后退

我们平常使用浏览器都有前进和后退功能，使用Selenium也可以完成这个操作，使用back()方法可以后退，forward()方法可以前进。

我们用一个实例来感受一下：

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com/')
browser.get('https://www.taobao.com/')
browser.get('https://www.python.org/')
browser.back()
time.sleep(1)
browser.forward()
browser.close()

在这里我们连续访问三个页面，然后调用back()方法就可以回到第二个页面，接下来再调用forward()方法又可以前进到第三个页面。

13.Cookies

使用Selenium还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等等。

我们再用实例来感受一下：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

控制台返回结果:

首先我们访问了知乎，然后加载完成之后，浏览器实际上已经生成了Cookies了，我们调用get_cookies()方法就可以获取所有的Cookies，然后我们添加一个Cookie，传入一个字典，有name、domain、value键名。接下来我们再次获取所有的Cookies，可以发现结果就多了这一项Cookie。最后我们调用delete_all_cookies()方法，删除所有的Cookies，再重新获取，结果就为空了。

14.选项卡管理

我们在访问网页的时候会开启一个个选项卡，那么在Selenium中也可以对选项卡进行操作。

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')#新开一个选项卡
print(browser.window_handles)#返回所有窗口的引用
browser.switch_to_window(browser.window_handles[1])#切换到第二个选项卡
browser.get('https://www.taobao.com')#打开淘宝
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])#切换到第一个选项卡
browser.get('https://python.org')

控制台返回结果:

['CDwindow-(F19FA9D087E9EAEB6FF0C1DCD669413A)', 'CDwindow-(56D0045B52120D0ADDB960CB6F662502)']

首先我们访问了百度，然后调用了execute_()方法，传入window.open()方法新开启一个选项卡，然后接下来我们想切换到该选项卡，可以调用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，传入选项卡的代号即可。在这里我们将第二个选项卡代号传入，即跳转到了第二个选项卡，然后接下来在第二个选项卡下打开一个新的页面，然后切换回第一个选项卡可以重新调用switch_to_window()方法，再执行其他操作即可。

如此以来我们便实现了选项卡的管理。

15.异常处理

在使用Selenium过程中，难免会遇到一些异常，例如超时、元素未找到等错误，一旦出现此类错误，程序便不会继续运行了，所以异常处理在程序中是十分重要的。

在这里我们可以使用try..except来捕获各种异常。

首先我们演示一下元素未找到的异常，示例如下：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.find_element_by_id('hello')

在这里我们打开百度页面，然后尝试选择一个并不存在的元素，这样就会遇到异常。

运行之后控制台输出如下：

可以看到抛出了NoSuchElementException这类异常，这通常是元素未找到的异常，为了防止程序遇到异常而中断，我们需要捕获一下这些异常。

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException

browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
except TimeoutException:
    print('Time Out')
try:
    browser.find_element_by_id('hello')
except NoSuchElementException:
    print('No Element')
finally:
    browser.close()

控制台返回结果:

如上例锁上，这里我们使用try..except来捕获各类异常，比如我们对find_element_by_id查找元素的方法捕获NoSuchElementException，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。
详细文档：http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions

(六)Selenium库学习|Python3网络爬虫开发实战

1.Selenium库的了解

2.Selenium的基本使用

3.声明浏览器对象

4.访问页面

5.查找元素

5.1单个元素

5.1.1在这里列出所有获取单个元素的方法：

5.1.2通用的查找方式

5.2多个元素

5.2.1通用的查找方式获取多个元素的方法：

5.2.2通用的查找方式

6.元素交互-将动作附加到动作链中串行执行

7.交互动作-将动作附加到动作链中串行执行

8.执行JavaScript

9.获取元素信息

9.1获取属性

9.2获取文本值

9.3获取ID、位置、标签名、大小

10.切换Frame

11.延时等待

11.1隐式等待

11.2显式等待

12.前进后退

13.Cookies

14.选项卡管理

15.异常处理

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

Python3网络爬虫开发实战

我爱编程

推荐系统和推荐算法