python爬蟲如何使用Selenium

今天就跟大家聊聊有關python爬蟲如何使用Selenium，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

簡介

Selenium是一個用于Web應用程序測試的工具。Selenium可以直接運行在瀏覽器中，就像真正的用戶在操作一樣。支持的瀏覽器包括IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera等。

Selenium最初是一個自動化測試工具，而爬蟲中使用它主要是為了解決requests無法直接執行JavaScript代碼的問題 selenium本質是通過驅動瀏覽器，完全模擬瀏覽器的操作，比如跳轉、輸入、點擊、下拉等，來拿到網頁渲染之后的結果。

環境安裝

安裝selenium：pip install selenium

下載瀏覽器驅動程序：http://chromedriver.storage.googleapis.com/index.html

簡單使用/效果展示

from selenium import webdriver
from time import sleep
driver = webdriver.Chrome(r'chromedriver.exe')         # 加載驅動程序
driver.get("http://www.baidu.com")                     # 用get打開百度頁面
driver.find_elements_by_link_text('設置')[0].click()    # 查找頁面的“設置”選項，并進行點擊
sleep(2)
driver.find_elements_by_link_text('搜索設置')[0].click() # 打開設置后找到“搜索設置”選項，設置為每頁顯示50條
sleep(2)
m = driver.find_element_by_id('nr')   # 找到搜索設置中的選中條目
sleep(2)
m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()  # 點擊顯示條目選擇框
m.find_element_by_xpath('.//option[3]').click()             # 選中最后一項每頁顯示50條
sleep(2)
driver.find_elements_by_class_name("prefpanelgo")[0].click()    # 點擊保存設置
sleep(2)
driver.switch_to_alert().accept()  # 處理彈出的警告頁面   確定accept() 和 取消dismiss()
sleep(2)
driver.find_element_by_id('kw').send_keys('美女')  # 找到百度的輸入框，并輸入 美女
sleep(2)
driver.find_element_by_id('su').click()           # 點擊搜索按鈕
sleep(2)
driver.find_elements_by_link_text('美女_百度圖片')[0].click()  # 在打開的頁面中找到“美女_百度圖片”，并打開這個頁面
sleep(3)
# 關閉瀏覽器
driver.quit()

元素定位

webdriver 提供了一系列的元素定位方法，常用的有以下幾種：

find_element_by_id()
find_element_by_name()
find_element_by_class_name()
find_element_by_tag_name()
find_element_by_link_text()
find_element_by_partial_link_text()
find_element_by_xpath()
find_element_by_css_selector()

注意：

1、find_element_by_xxx找的是第一個符合條件的標簽，find_elements_by_xxx找的是所有符合條件的標簽。

2、根據ID、CSS選擇器和XPath獲取，它們返回的結果完全一致。

3、另外，Selenium還提供了通用方法find_element()，它需要傳入兩個參數：查找方式By和值。實際上，它就是find_element_by_id()這種方法的通用函數版本，比如find_element_by_id(id)就等價于find_element(By.ID, id)，二者得到的結果完全一致。

動作鏈

在上面的實例中，一些交互動作都是針對某個節點執行的。比如，對于輸入框，我們就調用它的輸入文字和清空文字方法；對于按鈕，就調用它的點擊方法。其實，還有另外一些操作，它們沒有特定的執行對象，比如鼠標拖曳、鍵盤按鍵等，這些動作用另一種方式來執行，那就是動作鏈。

比如，現在實現一個節點的拖曳操作，將某個節點從一處拖曳到另外一處，可以這樣實現：

from selenium import webdriver
from selenium.webdriver import ActionChains
from time import sleep
# 實例化了一個谷歌瀏覽器對象且將驅動程序進行了加載
bro = webdriver.Chrome(executable_path='chromedriver.exe')
bro.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
bro.switch_to.frame('iframeResult')            # 基于動作鏈實現拖動操作
div_tag = bro.find_element_by_id('draggable')  # 定位即將被拖動的標簽
# 實例化一個動作鏈對象,將當前瀏覽器對象作為參數進行傳入
action = ActionChains(bro)
action.click_and_hold(div_tag)   # 點擊且長按的操作
for i in range(5):
    action.move_by_offset(20, 0).perform()   # perform()表示立即執行動作鏈
    sleep(0.5)
action.release()
sleep(2)
bro.quit()

執行JavaScript

對于某些操作，Selenium API并沒有提供。比如，下拉進度條，它可以直接模擬運行JavaScript，此時使用execute_script()方法即可實現，代碼如下：

from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.jd.com/')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("123")')

獲取頁面源碼數據

通過page_source屬性可以獲取網頁的源代碼，接著就可以使用解析庫（如正則表達式、Beautiful Soup、pyquery等）來提取信息了。

前進和后退 

import time
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.back()
time.sleep(5)
browser.forward()
browser.close()

Cookie處理

使用Selenium，還可以方便地對Cookies進行操作，例如獲取、添加、刪除Cookies等。示例如下：

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()

異常處理

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()

谷歌無頭瀏覽器

由于PhantomJs最近已經停止了更新和維護，所以推薦大家可以使用谷歌的無頭瀏覽器，是一款無界面的谷歌瀏覽器。

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
# 創建一個參數對象，用來控制chrome以無界面模式打開
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 驅動路徑
path = r'./chromedriver.exe'
# 創建瀏覽器對象
browser = webdriver.Chrome(executable_path=path, chrome_options=chrome_options)
# 訪問百度
url = 'http://www.baidu.com/'
browser.get(url)
time.sleep(3)
browser.save_screenshot('baidu.png')  # 截取圖片
browser.quit()

登錄qq空間，爬取數據

import requests
from selenium import webdriver
from lxml import etree
import time
driver = webdriver.Chrome(executable_path=r'./chromedriver')
driver.get('https://qzone.qq.com/')
# 在web 應用中經常會遇到frame 嵌套頁面的應用，使用WebDriver 每次只能在一個頁面上識別元素，對于frame 嵌套內的頁面上的元素，直接定位是定位是定位不到的。
# 這個時候就需要通過switch_to_frame()方法將當前定位的主體切換了frame 里。
driver.switch_to.frame('login_frame')
driver.find_element_by_id('switcher_plogin').click()
# driver.find_element_by_id('u').clear()
driver.find_element_by_id('u').send_keys('1233333')  # 這里填寫你的QQ號
# driver.find_element_by_id('p').clear()
driver.find_element_by_id('p').send_keys('XXXXXX')  # 這里填寫你的QQ密碼
driver.find_element_by_id('login_button').click()
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
page_text = driver.page_source
tree = etree.HTML(page_text)
# 執行解析操作
li_list = tree.xpath('//ul[@id="feed_friend_list"]/li')
for li in li_list:
    text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()')
    text = ''.join(text_list)
    print(text + '\n\n\n')
driver.close()

selenium規避被檢測識別

現在不少大網站有對selenium采取了監測機制。比如正常情況下我們用瀏覽器訪問淘寶等網站的 window.navigator.webdriver的值為 

undefined。而使用selenium訪問則該值為true。那么如何解決這個問題呢？

只需要設置Chromedriver的啟動參數即可解決問題。在啟動Chromedriver之前，為Chrome開啟實驗性功能參數excludeSwitches，它的值為['enable-automation']，完整代碼如下：

from selenium.webdriver import Chrome
from selenium.webdriver import ChromeOptions
option = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = Chrome(options=option)

看完上述內容，你們對python爬蟲如何使用Selenium有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。