python爬虫10：selenium库

python爬虫10：selenium库

前言

​ python实现网络爬虫非常简单，只需要掌握一定的基础知识和一定的库使用技巧即可。本系列目标旨在梳理相关知识点，方便以后复习。

申明

​ 本系列所涉及的代码仅用于个人研究与讨论，并不会对网站产生不好影响。

目录结构

1. 概述与安装

1.1 概述

​ selenium其实严格来说并不属于爬虫库，而是用于测试的库，不过这里我们就拿来当作爬虫库来用就行。

​ selenium相比于其他的爬虫库而言，更加综合，其既可以请求，也可以解析，并且过程是可视化的，即请求的时候，你可以看见程序打开浏览器，然后按照你设定的步骤进行。

1.2 安装

​ selenium的安装以前比较麻烦，需要自己去安装浏览器驱动，但是现在最新版本的selenium已经不需要我们自己装驱动了，当你运行代码的时候，会自动检测安装。

​ 因此，只需要安装：

pip install selenium 

​ 可以用下面代码测试浏览器驱动是否安装（谷歌浏览器）：

# 导包
from selenium import webdriver# 浏览器初始化
driver = webdriver.Chrome()
# 打开百度
driver.get('https://www.baidu.com')
# 打印源码
print(driver.page_source)
# 关闭
driver.quit()

​ 其运行过程就是自动打开浏览器并打开百度搜索页面，然后返回源码。

2. 基本使用

2.1 声明浏览器对象

​ 使用selenium，首先需要声明浏览器对象，除去我之前使用的chrome浏览器，还支持：Firefox、Edge等等，但是一般常用的是chrome浏览器，所以这里我只给出chrome浏览器的声明方法，其他的声明方法都类似，只需要修改浏览器名称即可。

# 导包
from selenium import webdriver# 声明浏览器对象
driver = webdriver.Chrome()

2.2 访问页面

​ 这里不分什么get或者post，统一的只有get方法。语法如下：

driver.get(url)
# 示例：
driver.get('https://www.baidu.com')

2.3 关闭访问页面和浏览器：

# 关闭访问页面和浏览器
driver.close()
# 关闭驱动
driver.quit()

2.4 查找节点方法：

​ 查找单个节点：

作用：只返回第一个匹配的节点。

​ 方法如下：driver.find_element()

​ 常用参数：

1. by需要导入from selenium.webdriver.common.by import By指定获取元素的方式，常见的如：By.NAME（标签name属性获取）、By.ID（标签id属性获取）、By.CLASS_NAME（标签class属性获取）、By.TAG_NAME（标签名字获取）、By.XPATH（通过xpath语法获取）、By.CSS_SELECTOR（通过css选择器获取）......2. value配合上面的by参数，填写相应的值即可

查找多个节点

​ 方法名只是多了一个s，变为了driver.find_elements()，参数都是一样的。

2.5 节点交互：

​ 常用的节点交互有两种：输入与点击，这也是我们在浏览器中最常用的两种了。方法分别如下：

# 输入内容
xxx.send_keys('内容')# xxx代表着一个节点
xxx.clear()	#清除输入的内容
# 点击
xxx.click()

​ 下面给大家一个案例： 打开百度，输入python并且点击搜索按钮进行搜索,之后再删除python，搜索java

# 导包
import time
from selenium import webdriver
from selenium.webdriver.common.by import By# 浏览器声明
driver = webdriver.Chrome()
# 打开百度
driver.get('https://www.baidu.com')
# 获取输入框节点
input_tag = driver.find_element(by=By.CLASS_NAME,value='s_ipt')
# 获取搜索按钮
search_tag = driver.find_element(by=By.XPATH,value='//input[@id="su"]')
# 输入python
input_tag.send_keys('python')
# 点击按钮
search_tag.click()
# 暂停2秒
time.sleep(2)
# 清楚python
input_tag.clear()
# 输入java
input_tag.send_keys('java')
# 搜索
search_tag.click()
# 暂停2秒
time.sleep(2)
# 退出
driver.close()
driver.quit()

​ 运行结果如下动图所示：

2.6 动作链：

​ 有些动作，如：拖拽、键盘按键等，没有具体的某个节点，这种方式就需要动作链来执行，你可以这样理解：你首先声明一个动作链对象，然后这个对象将一条一条的执行你写的代码。

​ 这个方面需要大家自行查找官方文档，因为这个我日常用的不多，对于自己来说，也许只有破解验证码的时候才用得上，但是现在的验证码破解越来越难了，所以我基本上用不到这块。

2.7 获取网页信息和节点信息：

网页信息

​ 网页源码：

方法： driver.page_source
作用：获取网页源码

​ 网页标题：

方法：driver.title
作用：获取网页标题

节点信息：下面的xxx指的是的某个节点标签

​ 获取属性：

方法： xxx.get_attribute('属性名字')
作用： 获取属性值
说明： xxx代表着节点

​ 获取文本：

方法： xxx.text
作用： 获取文本值

​ 获取其他信息：

​ 获取id：

xxx.id

​ 获取节点名称：

xxx.tag_name

​ 获取节点在页面中的位置：

xxx.location	（这个还是很有用的，对于滑动验证的验证码可以使用）

​ 获取节点大小（宽和高）：

xxx.size

2.8 执行js代码：

​ 之前的功能，如：输入内容，点击按钮等，其他库可以使用其他方式实现，但是执行js代码确实selenium一个强大的功能。

​ 比如：我们有时候爬取动态渲染的网页，如：百度图片，我们鼠标向下滑动，越来越多的图片加载出来，这就是动态渲染，或者我们有时候看见的“更多”（有些内容显示不全，点更多可以在当前页面查看全部内容）都是动态渲染，我们可以使用js代码模拟实现。

​ 这个方面考察大家的js功底，如果不会的朋友也不用紧张，如果你需要啥功能可以在网上搜索，将网页的js代码拷贝下来即可。

​ 语法如下：

driver.execute_script('js代码')

​ 代码演示；(效果：直接滑动到网页底部)

from selenium import webdriver
from selenium.webdriver.common.by import By
import time# 浏览器声明
driver = webdriver.Chrome()
# 打开一个网页
driver.get('https://tieba.baidu.com/f?kw=%B6%B7%CD%BC&fr=ala0&tpl=5')
# 执行js代码
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(5)
# 关闭
driver.close()
driver.quit()

​ 结果演示：

2.9 切换Frame：

​ 网页标签中有一个标签叫做frame标签，相当于一个子网页，而使用selenium打开网页默认在父级frame里面，因此想要获取子frame中的内容需要切换frame，方法如下：

driver.switch_to.frame(frame_reference=id或者name)

2.10 延时等待：

​ selenium打开网页，有时候需要注意网速是否良好，因为有时候你没有获取想要获取的信息就是因为网速不好。

​ 除去使用time模块中的等待外，我们还可以使用selenium自带的延时等待。

​ 隐式等待：

​ 当查找的节点没有第一时间出现时，会等待指定时间后再来获取。

​ 方法如下：

# 导包
from selenium import webdriver
from selenium.webdriver.common.by import By
# 浏览器声明
driver = webdriver.Chrome()
# 延时等待
driver.implicitly_wait(10)  # 如果没有找到元素，等待10秒中
# 找元素
driver.find_element(by=By.TAG_NAME,value='div')

​ 显示等待：：

​ 隐式等待效果并不好，因为如果在等待过程中加载出来了我们需要的标签，但是我们仍然得等待一定的时间。因此，我们需要更好的等待方式----显示等待。

​ 作用：它指定最长等待时间，如果在这个时间内加载出来了节点，则直接获取节点，或则抛出超时异常。

​ 方法如下：

# 导包
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# 浏览器声明
driver = webdriver.Chrome()
# 显示等待
# 创建等待对象
wait = WebDriverWait(driver,10) #第二个参数是最大等待时间
tag = wait.until(EC.presence_of_element_located((By.ID,'q'))) # 这个作用：直到获取到id为q的节点

​ EC除去presence_of_element_located外，还有很多条件，具体的可以见官方库，但是使用方法都是这样。

2.11 切换窗口

​ 有时候，我们用selenium请求了第一个网页后，又再次请求一个新的网页（或者你在第一个网页点击了某个按钮跳转到新网页），此时selenium权柄还停留在第一个网页，而我们想要获取第二个网页的信息，就需要切换权柄。

​ 方法如下：

driver.window_handles   # 查看所有的窗口权柄，返回一个列表，按照先后顺序出值
driver.current_window_handle	# 当前的窗口权柄，和上面的可以对应看
driver.switch_to.window(xxx)	# 切换窗口权柄，里面的xxx可以这么写 driver.window_handles[x]（其中x为索引），具体的代码演示可以看下一篇的案例

3. 总结

​ 本篇讲解了selenium的基础操作，由于selenium并不单单可以用于爬虫，还可以用于测试这个工作，因此其内容还有很多我们并没有涉及，这一点就需要靠大家根据自己的实际需求进行学习了。

​ 下一篇进行实战讲解。