码迷,mamicode.com
首页 > 其他好文 > 详细

爬虫-selenium模块

时间:2018-01-26 15:56:53      阅读:231      评论:0      收藏:0      [点我收藏+]

标签:nbsp   位置   win   tor   imp   解压   partial   define   一个   

一 介绍

技术分享图片
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

from selenium import webdriver
browser=webdriver.Chrome()
browser=webdriver.Firefox()
browser=webdriver.PhantomJS()
browser=webdriver.Safari()
browser=webdriver.Edge() 
技术分享图片

官网:http://selenium-python.readthedocs.io

二 安装

技术分享图片
#安装:selenium+chromedriver
pip3 install selenium
下载chromdriver.exe放到python安装路径的scripts目录中即可,注意最新版本是2.29,并非2.9
国内镜像网站地址:http://npm.taobao.org/mirrors/chromedriver/2.29/
最新的版本去官网找:https://sites.google.com/a/chromium.org/chromedriver/downloads

#验证安装
C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> 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
selenium+chromedriver
技术分享图片
#安装:selenium+phantomjs
pip3 install selenium
下载phantomjs,解压后把phantomjs.exe所在的bin目录放到环境变量
下载链接:http://phantomjs.org/download.html

#验证安装
C:\Users\Administrator>phantomjs
phantomjs> console.log(egon gaga)
egon gaga
undefined
phantomjs> ^C
C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from selenium import webdriver
>>> driver=webdriver.PhantomJS() #无界面浏览器
>>> driver.get(https://www.baidu.com)
>>> driver.page_source
selenium+phantomjs

三 基本使用

技术分享图片
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()
try:
    browser.get(https://www.baidu.com)

    input_tag=browser.find_element_by_id(kw)
    input_tag.send_keys(美女) #python2中输入中文错误,字符串前加个u
    input_tag.send_keys(Keys.ENTER) #输入回车

    wait=WebDriverWait(browser,10)
    wait.until(EC.presence_of_element_located((By.ID,content_left))) #等到id为content_left的元素加载完毕,最多等10秒

    print(browser.page_source)
    print(browser.current_url)
    print(browser.get_cookies())

finally:
    browser.close()
技术分享图片

四 选择器

一 基本用法

技术分享图片
#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()[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(lhf@094573)
    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()
View Code

二 xpath

技术分享图片
#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()
View Code

三 获取标签属性

技术分享图片
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()
获取标签属性

五 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
技术分享图片
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()
隐式等待
技术分享图片
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

六 元素交互操作

技术分享图片
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()
点击,清空
技术分享图片
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()
Action Chains
技术分享图片
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()
在交互动作比较难实现的时候可以自己写JS(万能方法)
技术分享图片
#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()
补充:frame的切换

七 其他

技术分享图片
#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
技术分享图片
#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()
cookies
技术分享图片
#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()
选项卡管理
技术分享图片
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()
异常处理

八 项目练习

技术分享图片
#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
技术分享图片
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)
爬取京东商城商品信息
作业:
    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

 

爬虫-selenium模块

标签:nbsp   位置   win   tor   imp   解压   partial   define   一个   

原文地址:https://www.cnblogs.com/52forjie/p/8359538.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!