爬虫-selenium 模块-02

声明：本文转载自小猿取经，在排版和内容上做了点小改动

selenium 模块

selenium 最初是一个自动化测试工具,而爬虫中使用它主要是为了解决 requests 模块无法直接执行 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，下不同的浏览器驱动即可）

但相对 request 模块而言，性能不是很高（但它可以和 request 合用，用 selenium 来模拟登录，然后再拿着 cookie 用 request 来接着操作）（可以用这个模块来绕过禁掉 request 模块的那部分）

安装 selenium：pip3 install selenium
下载对应版本的浏览器驱动（可参照下面的这张长截图，写的比较通俗易懂（原文地址：https://www.cnblogs.com/babycomeon/p/11909567.html ））

以谷歌浏览器为例：
	下载与电脑上谷歌浏览器对应版本的浏览器驱动 chromdriver.exe，并把它放到 python 安装路径的 scripts 目录下（其实也可以放在）
    	对应版本可以在网上搜对照表（其实差几个小版本问题不大）

chromedriver 浏览器驱动下载与存放

原文地址：https://www.cnblogs.com/babycomeon/p/11909567.html

淘宝的镜像源： http://npm.taobao.org/mirrors/chromedriver

下图链接：https://sites.google.com/a/chromium.org/chromedriver/downloads

# 验证安装
from selenium import webdriver

driver = webdriver.Chrome() #弹出浏览器
driver.get(\'https://www.baidu.com\')
driver.page_source

# 注意：
#  selenium3 默认支持的 webdriver 是 Firfox，而 Firefox 需要安装 geckodriver
#  下载链接：https://github.com/mozilla/geckodriver/releases

PhantomJS 无界面浏览器

PhantomJS 已经不再更新了， chrome 从 59 / 60 正式版开始后便支持 Headless mode 了，即支持无界面，故已经不需要用 PhantomJS 了

标签元素查找方法

#官网链接：http://selenium-python.readthedocs.io/locating-elements.html
from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time

driver=webdriver.Chrome()
driver.get(\'https://www.baidu.com\')
wait=WebDriverWait(driver,10)

try:
    #===============所有方法===================
    # 1、find_element_by_id
    # 2、find_element_by_link_text
    # 3、find_element_by_partial_link_text
    # 4、find_element_by_tag_name
    # 5、find_element_by_class_name
    # 6、find_element_by_name
    # 7、find_element_by_css_selector
    # 8、find_element_by_xpath
    # 强调：
    # 1、上述均可以改写成find_element(By.ID,\'kw\')的形式
    # 2、find_elements_by_xxx的形式是查找到多个元素，结果为列表

```
#===============示范用法===================
# 1、find_element_by_id
print(driver.find_element_by_id(\'kw\'))

# 2、find_element_by_link_text
# login=driver.find_element_by_link_text(\'登录\')
# login.click()

# 3、find_element_by_partial_link_text
login=driver.find_elements_by_partial_link_text(\'录\')[0]
login.click()

# 4、find_element_by_tag_name
print(driver.find_element_by_tag_name(\'a\'))

# 5、find_element_by_class_name
button=wait.until(EC.element_to_be_clickable((By.CLASS_NAME,\'tang-pass-footerBarULogin\')))
button.click()

# 6、find_element_by_name
input_user=wait.until(EC.presence_of_element_located((By.NAME,\'userName\')))
input_pwd=wait.until(EC.presence_of_element_located((By.NAME,\'password\')))
commit=wait.until(EC.element_to_be_clickable((By.ID,\'TANGRAM__PSP_10__submit\')))

input_user.send_keys(\'18611453110\')
input_pwd.send_keys(\'xxxxxx\')
commit.click()

# 7、find_element_by_css_selector
driver.find_element_by_css_selector(\'#kw\')

# 8、find_element_by_xpath
```


    time.sleep(5)

finally:
    driver.close()

xpath 格式用法

#官网链接：http://selenium-python.readthedocs.io/locating-elements.html
from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time

driver=webdriver.PhantomJS()
driver.get(\'https://doc.scrapy.org/en/latest/_static/selectors-sample1.html\')
# wait=WebDriverWait(driver,3)
driver.implicitly_wait(3) #使用隐式等待

try:
    # find_element_by_xpath
    #//与/
    # 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

    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
    driver.find_element_by_css_selector(\'body a\')

```
#取第n个
res1=driver.find_elements_by_xpath(\'//body//a[1]\') #取第一个a标签
print(res1[0].text)

#按照属性查找,下述三者查找效果一样
res1=driver.find_element_by_xpath(\'//a[5]\')
res2=driver.find_element_by_xpath(\'//a[@href="image5.html"]\')
res3=driver.find_element_by_xpath(\'//a[contains(@href,"image5")]\') #模糊查找
print(\'==>\', res1.text)
print(\'==>\',res2.text)
print(\'==>\',res3.text)
```

```
#其他
res1=driver.find_element_by_xpath(\'/html/body/div/a\')
print(res1.text)

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
print(res2.tag_name,res2.text)

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
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
```

    
    

```
time.sleep(5)
```

finally:
    driver.close()

获取标签属性

from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()

browser.get(\'https://www.amazon.cn/\')

wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,\'cc-lm-tcgShowImgContainer\')))

tag=browser.find_element(By.CSS_SELECTOR,\'#cc-lm-tcgShowImgContainer img\')

#获取标签属性，
print(tag.get_attribute(\'src\'))

#获取标签ID，位置，名称，大小（了解）
print(tag.id)
print(tag.location)
print(tag.tag_name)
print(tag.size)

browser.close()

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

# -------------隐式等待-------------
from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()

#隐式等待:在查找所有元素时，如果尚未被加载，则等10秒
browser.implicitly_wait(10)

browser.get(\'https://www.baidu.com\')

input_tag=browser.find_element_by_id(\'kw\')
input_tag.send_keys(\'美女\')
input_tag.send_keys(Keys.ENTER)

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
print(contents)

browser.close()



# -------------显式等待-------------
from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

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



input_tag=browser.find_element_by_id(\'kw\')
input_tag.send_keys(\'美女\')
input_tag.send_keys(Keys.ENTER)

#显式等待：显式地等待某个元素被加载
wait=WebDriverWait(browser,10)
wait.until(EC.presence_of_element_located((By.ID,\'content_left\')))

contents=browser.find_element(By.CSS_SELECTOR,\'#content_left\')
print(contents)

browser.close()

显式等待

元素交互操作

点击清空

from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

browser=webdriver.Chrome()
browser.get(\'https://www.amazon.cn/\')
wait=WebDriverWait(browser,10)



input_tag=wait.until(EC.presence_of_element_located((By.ID,\'twotabsearchtextbox\')))
input_tag.send_keys(\'iphone 8\')
button=browser.find_element_by_css_selector(\'#nav-search > form > div.nav-right > div > input\')
button.click()

import time
time.sleep(3)

input_tag=browser.find_element_by_id(\'twotabsearchtextbox\')
input_tag.clear() #清空输入框
input_tag.send_keys(\'iphone7plus\')
button=browser.find_element_by_css_selector(\'#nav-search > form > div.nav-right > div > input\')
button.click()



# browser.close()

ActionChains

from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
import time

driver = webdriver.Chrome()
driver.get(\'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable\')
wait=WebDriverWait(driver,3)
# driver.implicitly_wait(3)  # 使用隐式等待

try:
    driver.switch_to.frame(\'iframeResult\') ##切换到iframeResult
    sourse=driver.find_element_by_id(\'draggable\')
    target=driver.find_element_by_id(\'droppable\')

```
#方式一：基于同一个动作链串行执行
# actions=ActionChains(driver) #拿到动作链对象
# actions.drag_and_drop(sourse,target) #把动作放到动作链中，准备串行执行
# actions.perform()

#方式二：不同的动作链，每次移动的位移都不同
```

    ActionChains(driver).click_and_hold(sourse).perform()
    distance=target.location[\'x\']-sourse.location[\'x\']

```
track=0
while track < distance:
    ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform()
    track+=2

ActionChains(driver).release().perform()

time.sleep(10)
```

finally:
    driver.close()

在交互动作比较难实现的时候可以自己写 JS（万能方法）

from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素



try:
    browser=webdriver.Chrome()
    browser.get(\'https://www.baidu.com\')
    browser.execute_script(\'alert("hello world")\') #打印警告
finally:
    browser.close()

补充：frame 的切换

#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

from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素

try:
    browser=webdriver.Chrome()
    browser.get(\'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable\')

```
browser.switch_to.frame(\'iframeResult\') #切换到id为iframeResult的frame

```


    tag1=browser.find_element_by_id(\'droppable\')
    print(tag1)

```
# tag2=browser.find_element_by_id(\'textareaCode\') #报错，在子frame里无法查看到父frame的元素
browser.switch_to.parent_frame() #切回父frame,就可以查找到了
tag2=browser.find_element_by_id(\'textareaCode\')
print(tag2)

```

finally:
    browser.close()

其他交互

模拟浏览器的前进后退

#模拟浏览器的前进后退
import time
from selenium import webdriver

browser=webdriver.Chrome()
browser.get(\'https://www.baidu.com\')
browser.get(\'https://www.taobao.com\')
browser.get(\'http://www.sina.com.cn/\')

browser.back()
time.sleep(10)
browser.forward()
browser.close()

模拟浏览器的前进后退

cookies 操作

#cookies
from selenium import webdriver

browser=webdriver.Chrome()
browser.get(\'https://www.zhihu.com/explore\')
print(browser.get_cookies())
browser.add_cookie({\'k1\':\'xxx\',\'k2\':\'yyy\'})
print(browser.get_cookies())

# browser.delete_all_cookies()

选项卡（标签页）管理

#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
import time
from selenium import webdriver

browser=webdriver.Chrome()
browser.get(\'https://www.baidu.com\')
browser.execute_script(\'window.open()\')

print(browser.window_handles) #获取所有的选项卡
browser.switch_to_window(browser.window_handles[1])
browser.get(\'https://www.taobao.com\')
time.sleep(10)
browser.switch_to_window(browser.window_handles[0])
browser.get(\'https://www.sina.com.cn\')
browser.close()

异常处理

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

try:
    browser=webdriver.Chrome()
    browser.get(\'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable\')
    browser.switch_to.frame(\'iframssseResult\')

except TimeoutException as e:
    print(e)
except NoSuchFrameException as e:
    print(e)
finally:
    browser.close()

小练习

自动登录 163 邮箱并发送邮件

#注意：网站都策略都是在不断变化的，精髓在于学习流程。下述代码生效与2017-11-7，不能保证永久有效
from selenium import webdriver
from selenium.webdriver import ActionChains
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(\'http://mail.163.com/\')

```
wait=WebDriverWait(browser,5)

frame=wait.until(EC.presence_of_element_located((By.ID,\'x-URS-iframe\')))
browser.switch_to.frame(frame)

wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,\'.m-container\')))

inp_user=browser.find_element_by_name(\'email\')
inp_pwd=browser.find_element_by_name(\'password\')
button=browser.find_element_by_id(\'dologin\')
inp_user.send_keys(\'18611453110\')
inp_pwd.send_keys(\'xxxx\')
button.click()

#如果遇到验证码，可以把下面一小段打开注释
# import time
# time.sleep(10)
# button = browser.find_element_by_id(\'dologin\')
# button.click()
```


    wait.until(EC.presence_of_element_located((By.ID,\'dvNavTop\')))
    write_msg=browser.find_elements_by_css_selector(\'#dvNavTop li\')[1] #获取第二个li标签就是“写信”了
    write_msg.click()

```
wait.until(EC.presence_of_element_located((By.CLASS_NAME,\'tH0\')))
recv_man=browser.find_element_by_class_name(\'nui-editableAddr-ipt\')
title=browser.find_element_by_css_selector(\'.dG0 .nui-ipt-input\')
recv_man.send_keys(\'378533872@qq.com\')
title.send_keys(\'圣旨\')
print(title.tag_name)

```

```
frame=wait.until(EC.presence_of_element_located((By.CLASS_NAME,\'APP-editor-iframe\')))
browser.switch_to.frame(frame)
body=browser.find_element(By.CSS_SELECTOR,\'body\')
body.send_keys(\'egon很帅，可以加工资了\')

browser.switch_to.parent_frame() #切回他爹
send_button=browser.find_element_by_class_name(\'nui-toolbar-item\')
send_button.click()

#可以睡时间久一点别让浏览器关掉，看看发送成功没有
import time
time.sleep(10000)

```

except Exception as e:
    print(e)
finally:
    browser.close()

自动登录163邮箱并发送邮件

爬取京东商城商品信息

from selenium import webdriver
from selenium.webdriver import ActionChains
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
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time



def get_goods(driver):
    try:
        goods=driver.find_elements_by_class_name(\'gl-item\')

```
    for good in goods:
        detail_url=good.find_element_by_tag_name(\'a\').get_attribute(\'href\')

        p_name=good.find_element_by_css_selector(\'.p-name em\').text.replace(\'\n\',\'\')
        price=good.find_element_by_css_selector(\'.p-price i\').text
        p_commit=good.find_element_by_css_selector(\'.p-commit a\').text

        msg = \'\'\'
        商品 : %s
        链接 : %s
        价钱 ：%s
        评论 ：%s
        \'\'\' % (p_name,detail_url,price,p_commit)

        print(msg,end=\'\n\n\')

```

```
    button=driver.find_element_by_partial_link_text(\'下一页\')
    button.click()
    time.sleep(1)
    get_goods(driver)
except Exception:
    pass

```

def spider(url,keyword):
    driver = webdriver.Chrome()
    driver.get(url)
    driver.implicitly_wait(3)  # 使用隐式等待
    try:
        input_tag=driver.find_element_by_id(\'key\')
        input_tag.send_keys(keyword)
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver)
    finally:
        driver.close()

if __name__ == \'__main__\':
    spider(\'https://www.jd.com/\',keyword=\'iPhone8手机\')

其余练习

爬取亚马逊iphone手机的商品信息
爬取天猫python书籍的商品信息
爬取京东小米手机的商品信息