【爬虫】7.1. JavaScript动态渲染界面爬取-Selenium

JavaScript动态渲染界面爬取-Selenium的简单学习

引言：在学习这一章之前，若之前对于Ajax数据的分析和爬取有过了解的会知道，Ajax是JavaScript动态渲染界面的一种情形，通过直接分析Ajax，使我们仍然可以借助requests或urllib实现数据爬取。不过JavaScript动态渲染的界面不止Ajax一种，而且在实际中Ajax接口中会含有很多加密参数，比如说xhr中request url的链接中含有token参数使我们难以找到规律，所以很难直接通过分析Ajax爬取数据。

​ Python提供了许多模拟浏览器运行的库，例如Selenium、Splash、Pyppetter、Playwright等，可以帮我们实现所见皆所爬，就不用再为如何爬取动态渲染的界面发愁了。

1. Selenium准备工作

Selenium是一个自动化测试工具，利用它可以驱动浏览器完成特定的操作，例如点击、下拉等，你还可以利用这个工具来恶搞别人浏览不良网站！！！言归正传，你可以利用它获取浏览器当前呈现的页面源代码，做到所见皆所爬，对于一些JavaScript动态渲染的界面来说，这种爬取方式非常有效。 本节以Chrome浏览器为例来讲解Selenium。首先先安装好Chrome和Selenium库。

首先来看看Selenium的功能：

from selenium import webdriver
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
import timebrowser = webdriver.Chrome()
try:browser.get('https://www.baidu.com')input = browser.find_element(By.ID, 'kw')input.send_keys('Python')input.send_keys(Keys.ENTER)wait = WebDriverWait(browser, 10)wait.until(EC.presence_of_element_located((By.ID, 'content_left')))print(browser.current_url)print(browser.get_cookies())print(browser.page_source)time.sleep(1000)
finally:browser.close()

运行代码后，会自动弹出一个Chrome浏览器，接着浏览器会跳转到百度界面并在搜索框中输入Python，就会自动跳转到搜索结果页。输出页面源代码，此处省略源代码，可以知道，我们得到的当前URL、Cookie和页面源代码都是真实内容，而用requests请求的源代码却和使用Selenium的源代码不一样。所以说，用Selenium驱动浏览器加载的页面可以直接拿到JavaScript渲染的结果，无须关心是什么加密系统。

2. Selenium简单用法

2.1. 初始化浏览器对象-webdriver.Chrome()

Selenium支持的浏览器非常多，既有Chrome、Firefox、Edge、Safari等电脑端的浏览器，也有Android、BlackBerry等手机端的浏览器。下面是初始化浏览器对象：

from selenium import webdriver
browser1 = webdriver.Chrome()
# browser2 = webdriver.Firefox()
# browser3 = webdriver.Edge()
print(type(browser1))  # <class 'selenium.webdriver.chrome.webdriver.WebDriver'>
browser1.close()

2.2. 访问界面-browser.get()

上面我们已经初始化了浏览器对象，接下来就是要调用browser，执行各个方法模拟浏览器操作。访问界面：

from selenium import webdriver
url = "https://www.taobao.com/"
browser1 = webdriver.Chrome()
browser1.get(url)
browser1.close()

2.3. 查找节点-find_element()

我们想从淘宝页面提取搜索框这个节点，那就进入开发者选项快捷搜索就行了。

from selenium import webdriver
from selenium.webdriver.common.by import By
url = "https://www.taobao.com/"
browser1 = webdriver.Chrome()
browser1.get(url)
input_first = browser1.find_element(By.ID, "q")
print(input_first)
# <selenium.webdriver.remote.webelement.WebElement (session="dc29f31092c770c57925bbd74839af9d", element="C15004B057068D353AA2B162C5D9F24E_element_2")>
browser1.close()

但是这种方法只会查找第一个匹配的节点，要是想要查找多个节点那就使用find_elements()，这时返回的内容是列表类型的，列表里面每一个元素都是WebElement类型的。

2.4. 节点交互-send_keys()、clear()、click()

Selenium可以驱动浏览器执行一些操作。比较常见的用法有：用send_keys方法输入文字，用clear方法清空文字，用click方法点击按钮：

from selenium import webdriver
from selenium.webdriver.common.by import By
import time
url = "https://www.taobao.com/"
browser1 = webdriver.Chrome()
browser1.get(url)
# 查找对话框，按钮
input_first = browser1.find_element(By.ID, "q")
button = browser1.find_element(By.CLASS_NAME, "btn-search")
# 输入文字
input_first.send_keys("IPad")
time.sleep(3)
# 清空文字
input_first.clear()
# 输入文字
input_first.send_keys("HUAWEI")
# 点击按钮
button.click()
time.sleep(3)
browser1.close()

更多操作请见官方文档

https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement

2.5. 动作链-ActionChains()

在上面示例中，交互操作都是针对某一个节点来执行的。其实还有一些操作，他们没有特定的执行对象，比如鼠标拖拽、按键键盘等，这些操作需要另一种方式执行，那就是动作链。例如可以这样实现拖拽节点的操作：

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
import timebrowser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
# 切换到名为 'iframeResult' 的 iframe 内容（这个网页被分为很多个框架）
browser.switch_to.frame('iframeResult')
# 找到要拖拽的源元素和目标元素
source = browser.find_element(By.CSS_SELECTOR, '#draggable')
target = browser.find_element(By.CSS_SELECTOR,'#droppable')
# 创建 ActionChains 对象来执行操作
actions = ActionChains(browser)
# 进行拖拽操作
actions.drag_and_drop(source, target)
# 执行
actions.perform()
time.sleep(5)

更多的动作链请参考官方文档的介绍：

https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

2.6. 运行JavaScript-execute_script()

还有一些操作，Selenium没有提供API，例如下拉进度条，面对这种情况可以模拟运行JavaScript，此时使用execute_script方法可以实现，代码如下：

from selenium import webdriverbrowser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')

2.7. 获取节点信息-get_attribute()、text、id、location、tag_name、size

当我们选中一个节点时候，我们可以获取它的属性、文本、ID、位置、标签名和大小：

• get_attribute()：获取属性，参数传入属性名
• text：获取文本
• id：获取id
• location：获取位置
• tag_name：获取标签名
• size：获取大小

2.8. 切换Frame-switch_to.frame()

网页中有一种节点叫做iframe，也就是子Frame，相当于页面中的子页面，它的结构和外部网页的结构完全一致。Selenium打开一个页面之后，默认是在父Frame里操作，此时如果页面中含有子Frame，是不能在子Frame中操作的，这时就需要使用switch_to.frame方法切换Frame。

import time
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementExceptionbrowser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')
try:logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:print('NO LOGO')
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

2.9. 延时等待

在Selenium中，get方法在网页框架结束后才会结束执行，如果我们尝试在get方法执行完毕时获取网页源代码，可能结果不是浏览器加载完全的页面，因为某些页面需要额外的Ajax请求还会经过JavaScript渲染，所以有必要让浏览器延时一段时间。这里的等待方式有两种，一种是隐式等待，一种是显式等待。

2.9.1. 隐式等待-implicitly_wait()

使用隐式等待执行测试时，在查找节点而节点没有立即出现时，隐式等待会先等待一段时间再查找DOM，默认的等待时间为0

from selenium import webdriver
from selenium.webdriver.common.by import Bybrowser = webdriver.Chrome()
# 设置隐式等待时间
browser.implicitly_wait(10)
browser.get("https://spa2.scrape.center/")
input_first = browser.find_element(By.CLASS_NAME, "logo-image")
print(input_first.get_attribute("src"))

2.9.2. 显式等待-WebDriverWait()

隐式等待的效果其实并不好，因为我们只规定了一个固定时间，而页面加载时间会受网络条件的影响。还有一种更合适的等待方法——显式等待，这种方式会指定查找的节点和最长等待时间，如果在规定时间内加载出了要查找的节点，就返回这个节点；如果到规定时间内依然没有加载出节点，就抛出超时异常。

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 ECbrowser = webdriver.Chrome()
browser.get("https://taobao.com")
# 设定wait对象，指定最长等待时间
wait = WebDriverWait(browser, 10)
# 调用wait的until方法，传入等待条件
input = wait.until(EC.presence_of_element_located((By.ID, "q")))
# 等待条件：代表按钮式可点击的
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ".btn-search")))
print(input, button)

下面表格列出了所有等待条件(应该)

等待条件（Expected Conditions）	描述
EC.presence_of_element_located	元素出现在 DOM 中。
EC.visibility_of_element_located	元素在页面上可见。
EC.visibility_of	元素在页面上可见。
EC.invisibility_of_element_located	元素在页面上不可见。
EC.element_to_be_clickable	元素可被点击。
EC.element_to_be_selected	元素被选中。
EC.element_located_to_be_selected	元素被选中。
EC.text_to_be_present_in_element	在元素中出现特定文本。
EC.text_to_be_present_in_element_value	在元素的值中出现特定文本。
EC.frame_to_be_available_and_switch_to_it	切换到指定的 iframe 或 frame 中。
EC.element_to_be_located	元素出现在 DOM 中。
EC.staleness_of	元素不再附加到 DOM 上（已过时）。
EC.element_located_selection_state_to_be	元素的选中状态与给定状态匹配。
EC.element_selection_state_to_be	元素的选中状态与给定状态匹配。
EC.alert_is_present	存在警报。
EC.title_contains	页面标题包含指定文本。
EC.title_is	页面标题等于指定文本。
EC.url_contains	页面 URL 包含指定文本。
EC.url_to_be	页面 URL 完全等于指定 URL。
EC.url_matches	页面 URL 匹配指定的正则表达式。
EC.invisibility_of_element_located	元素在页面上不可见。

更多等待条件和参数及其用法可以参考官方文档：

https://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

2.10. 前进和后退-forward()、back()

平时使用浏览器时也有前进和后退的功能，用Selenium也可以完成这个操作。

from selenium import webdriver
import timebrowser = webdriver.Chrome()
browser.get("https://www.baidu.com/")
browser.get("https://www.taobao.com/")
browser.get("https://www.python.org")
browser.back()
time.sleep(3)
browser.forward()
time.sleep(3)
browser.close()

2.11. Cookie-add_cookie()、delete_all_cookies()

使用selenium还可以对Cookie进行操作

from selenium import webdriverbrowser = webdriver.Chrome()
browser.get("https://www.zhihu.com/explore")
print(browser.get_cookies())
cookie = {'name': 'AJ', 'value': 'BJ'}
browser.add_cookie(cookie)
print(browser.get_cookies())
browser.delete_all_cookies()  # 去掉all也可以指定删除哪一个
print(browser.get_cookies())

2.12. 选项卡管理-execute_script()

访问网页的时候，会开启一个个选项卡。在Selenium中，我们也可以对选项卡进行操作：

import time
from selenium import webdriverbrowser = webdriver.Chrome()
browser.get("https://www.baidu.com/")
# 打开一个新的选项卡
browser.execute_script("window.open()")
print(browser.window_handles)
# 切换到新的选项卡
browser.switch_to.window(browser.window_handles[1])
browser.get("https://www.taobao.com")
time.sleep(2)
# 切换回去
browser.switch_to.window(browser.window_handles[0])
browser.get("https://python.org")

3. 反屏蔽

现在有很多网站增加了对Selenium的检测，防止一些爬虫的恶意爬取，如果检测到有人使用Selenium打开浏览器就会直接屏蔽。大多数情况下，检测的基本原理时检测当前浏览器窗口下的window.navigator对象中是否包含webdriver属性。是因为正常使用浏览器时，这个属性应该是undefined，一旦使用了Selenium。它就会给window.navigator对象设置为webdriver属性。很多网站会通过JavaScript语句判断是否存在webdriver属性。

在Selenium中，可以用CDP（即Chrome Devtools Protocol，Chrome 开发工具协议）解决这个问题，利用它可以实现在每个页面刚加载的时候就执行JavaScript语句，将webdriver属性置空。这里执行的CDP方法叫做Page.addScriptToEvaluateOnNewDocument，将上面的JavaScript语句传入其中即可。另外，还可以加入几个选项来隐藏WebDriver提示条和自动化扩展信息。

from selenium import webdriver
from selenium.webdriver import ChromeOptions
import timeoption = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
option.add_experimental_option('useAutomationExtension', False)
browser = webdriver.Chrome(options=option)
browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'
})
browser.get('https://antispider1.scrape.center/')
time.sleep(10)

4. 无头模式

上面的案例在运行的时候总会弹出一个浏览器窗口，我们也可以把它去掉，这样可以减少一些资源的加载：

from selenium import webdriver
from selenium.webdriver import ChromeOptionsoption = ChromeOptions()
option.add_argument("--headless")
browser = webdriver.Chrome(options= option)
browser.set_window_size(1366, 768)
browser.get("https://www.baidu.com")
browser.get_screenshot_as_file("preview.png")

​