Python爬虫Selenium使用

1.Selenium 1.1 什么是selenium

• Selenium是一个用于Web应用程序测试的工具
• Selenium 测试直接运行在浏览器中，就像真正的用户在操作一样
• 支持通过各种driver（FirfoxDriver，IternetExplorerDriver，OperaDriver，ChromeDriver）驱动 真实浏览器完成测试
• selenium也是支持无界面浏览器操作的

1.2 为什么使用selenium

模拟用户操作浏览器，自动执行网页中的js代码，实现动态加载

1.3 如何安装selenium

• 操作谷歌浏览器驱动下载地址

  http://chromedriver.storage.googleapis.com/index.html

• 谷歌驱动和谷歌浏览器版本之间的映射表

  http://blog.csdn.net/huilan_same/article/details/51896672

• 查看谷歌浏览器版本

• pip install selenium -i https://pypi.douban.com/simple

1.4 selenium的使用步骤

• 导入：

  from selenium import webdriver

• 创建谷歌浏览器操作对象：

  path = 谷歌浏览器驱动文件路径

browser = webdriver.Chrome(path)

• 访问网址

  url = 要访问的网址 browser.get(url)

# (1）导入selenium
from selenium import webdriver

# (2) 创建浏览器操作对象

# path = 'chromedriver.exe'
# browser = webdriver.Chrome(path)
browser = webdriver.Chrome("C:\\Program Files\\Google\\Chrome\\Application\\chromedriver.exe")

# （3）访问网站
url = 'https://www.jd.com/'
browser.get(url)

# page_source获取网页源码
content = browser.page_source
print(content)

注意：在第二步中，chromedriver.exe的路径，如果chrome的安装不是你默认安装的，你需要手动填入chrome的安装路径，并把chromedriver.exe文件拷入与chrome.exe同目录下。

这地方是个小坑。

1.5 selenium的元素定位

元素定位：自动化要做的就是模拟鼠标和键盘来操作来操作这些元素，点击、输入等等。

操作这些元素前首先要找到它们，WebDriver提供很多定位元素的方法

• find_element_by_id

  button = browser.find_element_by_id(‘su’)

• find_elements_by_name

  name = browser.find_element_by_name(‘wd’)

• find_elements_by_xpath

  xpath1 = browser.find_elements_by_xpath(’//input[@id=“su”]’)

• find_elements_by_tag_name

  names = browser.find_elements_by_tag_name(‘input’)

• find_elements_by_css_selector

  my_input = browser.find_elements_by_css_selector(’#kw’)[0]

• find_elements_by_link_text

  browser.find_element_by_link_text(“新闻”)

from selenium import webdriver

browser = webdriver.Chrome("C:\\Program Files\\Google\\Chrome\\Application\\chromedriver.exe")

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

# 元素定位
# 根据id来找到对象
button = browser.find_element_by_id('su')

# 根据标签属性的属性值来获取对象的
button = browser.find_element_by_name('wd')

# 根据xpath语句来获取对象
button = browser.find_elements_by_xpath('//input[@id="su"]')

# 根据标签的名字来获取对象
button = browser.find_elements_by_tag_name('input')

# 使用的bs4的语法来获取对象
button = browser.find_elements_by_css_selector('#su')
button = browser.find_element_by_link_text('直播')

访问元素信息

• 获取元素属性：.get_attribute(‘class’)
• 获取元素文本：.text
• 获取标签名：.tag_name

from selenium import webdriver

browser = webdriver.Chrome("C:\\Program Files\\Google\\Chrome\\Application\\chromedriver.exe")

url = 'http://www.baidu.com'
browser.get(url)

button = browser.find_element_by_id('su')
# 获取标签的属性
print(button.get_attribute('class'))
# 获取标签的名字
print(button.tag_name)

# 获取元素文本
a = browser.find_element_by_link_text('新闻')
print(a.text)

交互

• 点击：click()

• 输入：send_keys()

• 后退操作：browser.back()

• 前进操作：browser.forword()

• 模拟JS滚动：

  js='document.documentElement.scrollTop=100000'
  browser.execute_script(js) 执行js代码
  

• 获取网页代码：page_source

• 退出：browser.quit()

from selenium import webdriver

# 创建浏览器对象
browser = webdriver.Chrome("C:\\Program Files\\Google\\Chrome\\Application\\chromedriver.exe")

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

# 引入时间
import time
time.sleep(2) # 休眠2秒

# 获取文本框的对象
input = browser.find_element_by_id('kw')

# 模拟用户在文本框中输入周杰伦
input.send_keys('周杰伦')

time.sleep(2) # 休眠2秒

# 获取百度一下的按钮
button = browser.find_element_by_id('su')

# 模拟用户点击按钮
button.click() 

time.sleep(2) # 休眠2秒，等待查询结果

# 模拟用户操作，滑到底部
js_bottom = 'document.documentElement.scrollTop=100000'
browser.execute_script(js_bottom)

time.sleep(2)  # 休眠2秒

# 获取下一页的按钮
next = browser.find_element_by_xpath('//a[@class="n"]')

# 模拟用户点击下一页
next.click()

time.sleep(2)  # 休眠2秒

# 回到上一页
browser.back()

time.sleep(2) # 休眠2秒

# 回去
browser.forward() # 休眠2秒

time.sleep(3) # 休眠3秒

# 模拟用户关闭浏览器
browser.quit()

2.Phantomjs

由于Selenium是完全模拟用户操作浏览器，页面都是完全渲染出来的，这样势必会影响效率，所以需要Phantomjs来提升一下运行效率。

2.1 什么是Phantomjs

• 是一个无界面的浏览器
• 支持页面元素查找，js的执行等
• 由于不进行css和gui渲染，运行效率要比真实的浏览器要快很多

2.2 如何使用Phantomjs

• 获取PhantomJS.exe文件路径path

• browser = webdriver.PhantomJS(path)

• browser.get(url)

扩展：保存屏幕快照:browser.save_screenshot(‘baidu.png’)

from selenium import webdriver

# 加载phantomjs.exe的方法不同，路径和上面说的一样
browser = webdriver.PhantomJS("C:\\Program Files\\Google\\Chrome\\Application\\phantomjs.exe")

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

# 截取快照，并保存
browser.save_screenshot('baidu.png') 

import time
time.sleep(2) # 休眠2秒

input = browser.find_element_by_id('kw')
input.send_keys('昆凌')

time.sleep(3) # 休眠3秒

# 截取快照，并保存
browser.save_screenshot('kunling.png')

执行完后，会在项目的根目录下，多两张图片，一张是baidu.png，一张是kunling.png

3.Chrome handless

Chrome-headless 模式，Google 针对 Chrome 浏览器59版新增加的一种模式，可以让你不打开UI界面的情况下使用 Chrome 浏览器，所以运行效果与 Chrome 保持完美一致。

3.1 系统要求

Chrome Unix\Linux 系统需要 chrome >= 59 Windows 系统需要 chrome >= 60 Python3.6 Selenium3.4.* ChromeDriver2.31

3.2 配置

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('‐‐headless')
chrome_options.add_argument('‐‐disable‐gpu')
# path是你自己的chrome浏览器的文件路径
path = r'C:\\Program Files\\Google\\Chrome\\Application\\chrome.exe'
chrome_options.binary_location = path
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.get('http://www.baidu.com/')

3.3 配置封装

from selenium import webdriver

# 这个是浏览器自带的 不需要我们再做额外的操作
from selenium.webdriver.chrome.options import Options

# 封装成函数
def share_browser():
    # 初始化
    chrome_options = Options()
    chrome_options.add_argument('‐‐headless')
    chrome_options.add_argument('‐‐disable‐gpu')

    # 浏览器的安装路径 打开文件位置
    # 这个路径是你谷歌浏览器的路径
    path = r'C:\\Program Files\\Google\\Chrome\\Application\\chrome.exe'
    chrome_options.binary_location = path
    browser = webdriver.Chrome(chrome_options=chrome_options)
    return browser
    
# 直接调用函数
browser = share_browser()
url = 'https://www.baidu.com'
browser.get(url)
browser.save_screenshot('baidu.png')

3.4 封装调用

from handless import share_browser
browser = share_browser()
browser.get('http://www.baidu.com/')
browser.save_screenshot('handless1.png')