【Python爬虫】8大模块md文档集合从0到scrapy高手，第7篇：selenium 数据提取详解

本文主要学习一下关于爬虫的相关前置知识和一些理论性的知识，通过本文我们能够知道什么是爬虫，都有那些分类，爬虫能干什么等，同时还会站在爬虫的角度复习一下http协议。

爬虫全套笔记地址： 请移步这里

---

共 8 章，37 子模块

---

Selenium本文概要

本阶段本文主要学习selenium自动化测试框架在爬虫中的应用，selenium能够大幅降低爬虫的编写难度，但是也同样会大幅降低爬虫的爬取速度。在逼不得已的情况下我们可以使用selenium进行爬虫的编写。

selenium提取数据

知识点：

• 了解 driver对象的常用属性和方法
• 掌握 driver对象定位标签元素标签对象的方法
• 掌握 标签对象提取文本和属性值的方法

---

1. driver对象的常用属性和方法

在使用selenium过程中，实例化driver对象后，driver对象有一些常用的属性和方法

1. driver.page_source 当前标签页浏览器渲染之后的网页源代码
2. driver.current_url 当前标签页的url
3. driver.close() 关闭当前标签页，如果只有一个标签页则关闭整个浏览器
4. driver.quit() 关闭浏览器
5. driver.forward() 页面前进
6. driver.back() 页面后退
7. driver.screen_shot(img_name) 页面截图

---

知识点：了解 driver对象的常用属性和方法

---

2. driver对象定位标签元素标签对象的方法

在selenium中可以通过多种方式来定位标签，返回标签元素对象

find_element_by_id                         (返回一个元素)
find_element(s)_by_class_name             (根据类名元素列表)
find_element(s)_by_name                 (根据标签的name属性值返回包含标签对象元素的列表)
find_element(s)_by_xpath                 (返回一个包含元素的列表)
find_element(s)_by_link_text             (根据连接文本元素列表)
find_element(s)_by_partial_link_text     (根据链接包含的文本元素列表)
find_element(s)_by_tag_name             (根据标签名元素列表)
find_element(s)_by_css_selector         (根据css选择器来元素列表)

• 注意：

  • find_element和find_elements的区别：

    • 多了个s就返回列表，没有s就返回匹配到的第一个标签对象
    • find_element匹配不到就抛出异常，find_elements匹配不到就返回空列表

  • by_link_text和by_partial_link_tex的区别：全部文本和包含某个文本

  • 以上函数的使用方法

    • driver.find_element_by_id('id_str')

---

知识点：掌握 driver对象定位标签元素标签对象的方法

---

3. 标签对象提取文本内容和属性值

find_element仅仅能够元素，不能够直接其中的数据，如果需要数据需要使用以下方法

• 对元素执行点击操作element.click()

  • 对定位到的标签对象进行点击操作

• 向输入框输入数据element.send_keys(data)

  • 对定位到的标签对象输入数据

• 文本element.text

  • 通过定位的标签对象的text属性，文本内容

• 属性值element.get_attribute("属性名")

  • 通过定位的标签对象的get_attribute函数，传入属性名，来属性的值

• 代码实现，如下：

from selenium import webdriverdriver = webdriver.Chrome()driver.get('http://www.itcast.cn/')ret = driver.find_elements_by_tag_name('h2')
print(ret[0].text) # ret = driver.find_elements_by_link_text('黑马程序员')
print(ret[0].get_attribute('href'))driver.quit()

---

selenium的其它使用方法

知识点：

• 掌握 selenium控制标签页的切换
• 掌握 selenium控制iframe的切换
• 掌握 利用seleniumcookie的方法
• 掌握 手动实现页面等待
• 掌握 selenium控制浏览器执行js代码的方法
• 掌握 selenium开启无界面模式
• 了解 selenium使用代理ip
• 了解 selenium替换user-agent

---

1. selenium标签页的切换

当selenium控制浏览器打开多个标签页时，如何控制浏览器在不同的标签页中进行切换呢？需要我们做以下两步：

• 所有标签页的窗口句柄

• 利用窗口句柄字切换到句柄指向的标签页

  • 这里的窗口句柄是指：指向标签页对象的标识
  • 关于句柄请课后了解更多，本小节不做展开

• 具体的方法

  # 1. 当前所有的标签页的句柄构成的列表current_windows = driver.window_handles# 2. 根据标签页句柄列表索引下标进行切换driver.switch_to.window(current_windows[0])

• 参考代码示例：

import time
from selenium import webdriverdriver = webdriver.Chrome()
driver.get("https://www.baidu.com/")time.sleep(1)
driver.find_element_by_id('kw').send_keys('python')
time.sleep(1)
driver.find_element_by_id('su').click()
time.sleep(1)# 通过执行js来新开一个标签页js = 'window.open("https://www.sogou.com");'
driver.execute_script(js)
time.sleep(1)# 1. 当前所有的窗口windows = driver.window_handlestime.sleep(2)# 2. 根据窗口索引进行切换driver.switch_to.window(windows[0])
time.sleep(2)
driver.switch_to.window(windows[1])time.sleep(6)
driver.quit()

---

知识点：掌握 selenium控制标签页的切换

---

2. switch_to切换frame标签

iframe是html中常用的一种技术，即一个页面中嵌套了另一个网页，selenium默认是访问不了frame中的内容的，对应的解决思路是driver.switch_to.frame(frame_element)。接下来我们通过qq邮箱模拟登陆来学习这个知识点

• 参考代码：

import time
from selenium import webdriverdriver = webdriver.Chrome()url = 'https://mail.qq.com/cgi-bin/loginpage'
driver.get(url)
time.sleep(2)login_frame = driver.find_element_by_id('login_frame') # 根据id定位 frame元素
driver.switch_to.frame(login_frame) # 转向到该frame中driver.find_element_by_xpath('//*[@id="u"]').send_keys('[e-mail]')
time.sleep(2)driver.find_element_by_xpath('//*[@id="p"]').send_keys('hahamimashicuode')
time.sleep(2)driver.find_element_by_xpath('//*[@id="login_button"]').click()
time.sleep(2)"""操作frame外边的元素需要切换出去"""
windows = driver.window_handles
driver.switch_to.window(windows[0])content = driver.find_element_by_class_name('login_pictures_title').text
print(content)driver.quit()

• 总结：

  • 切换到定位的frame标签嵌套的页面中

    • driver.switch_to.frame(通过find_element_by函数定位的frame、iframe标签对象)

  • 利用切换标签页的方式切出frame标签

    • windows = driver.window_handles
      driver.switch_to.window(windows[0])
      

---

知识点：掌握 selenium控制frame标签的切换

---

3. selenium对cookie的处理

selenium能够帮助我们处理页面中的cookie，比如、删除，接下来我们就学习这部分知识

3.1 cookie

driver.get_cookies()返回列表，其中包含的是完整的cookie信息！不光有name、value，还有domain等cookie其他维度的信息。所以如果想要把的cookie信息和requests模块配合使用的话，需要转换为name、value作为键值对的cookie字典

  # 当前标签页的全部cookie信息print(driver.get_cookies())# 把cookie转化为字典cookies_dict = {cookie[‘name’]: cookie[‘value’] for cookie in driver.get_cookies()}

3.2 删除cookie

  #删除一条cookiedriver.delete_cookie("CookieName")# 删除所有的cookiedriver.delete_all_cookies()

---

知识点：掌握 利用seleniumcookie的方法

---

4. selenium控制浏览器执行js代码

selenium可以让浏览器执行我们规定的js代码，运行下列代码查看运行效果

import time
from selenium import webdriverdriver = webdriver.Chrome()
driver.get("http://www.itcast.cn/")
time.sleep(1)js = 'window.scrollTo(0,document.body.scrollHeight)' # js语句
driver.execute_script(js) # 执行js的方法time.sleep(5)
driver.quit()

• 执行js的方法：driver.execute_script(js)

---

知识点：掌握 selenium控制浏览器执行js代码的方法

---

5. 页面等待

页面在加载的过程中需要花费时间等待网站服务器的响应，在这个过程中标签元素有可能还没有加载出来，是不可见的，如何处理这种情况呢？

1. 页面等待分类
2. 强制等待介绍
3. 显式等待介绍
4. 隐式等待介绍
5. 手动实现页面等待

5.1 页面等待的分类

首先我们就来了解以下selenium页面等待的分类

1. 强制等待
2. 隐式等待
3. 显式等待

5.2 强制等待（了解）

• 其实就是time.sleep()
• 缺点时不智能，设置的时间太短，元素还没有加载出来；设置的时间太长，则会浪费时间

5.3 隐式等待

• 隐式等待针对的是元素定位，隐式等待设置了一个时间，在一段时间内判断元素是否定位成功，如果完成了，就进行下一步

• 在设置的时间内没有定位成功，则会报超时加载

• 示例代码

from selenium import webdriverdriver = webdriver.Chrome()  driver.implicitly_wait(10) # 隐式等待，最长等20秒  driver.get('https://www.baidu.com')driver.find_element_by_xpath()

5.4 显式等待（了解）

• 每经过多少秒就查看一次等待条件是否达成，如果达成就停止等待，继续执行后续代码

• 如果没有达成就继续等待直到超过规定的时间后，报超时异常

• 示例代码

from selenium import webdriver  
from selenium.webdriver.support.wait import WebDriverWait  
from selenium.webdriver.support import expected_conditions as EC  
from selenium.webdriver.common.by import By driver = webdriver.Chrome()driver.get('https://www.baidu.com')# 显式等待WebDriverWait(driver, 20, 0.5).until(EC.presence_of_element_located((By.LINK_TEXT, '好123')))  # 参数20表示最长等待20秒# 参数0.5表示0.5秒检查一次规定的标签是否存在# EC.presence_of_element_located((By.LINK_TEXT, '好123')) 表示通过链接文本内容定位标签# 每0.5秒一次检查，通过链接文本内容定位标签是否存在，如果存在就向下继续执行；如果不存在，直到20秒上限就抛出异常print(driver.find_element_by_link_text('好123').get_attribute('href'))
driver.quit()

5.5 手动实现页面等待

在了解了隐式等待和显式等待以及强制等待后，我们发现并没有一种通用的方法来解决页面等待的问题，比如“页面需要滑动才能触发ajax异步加载”的场景，那么接下来我们就以淘宝网首页为例，手动实现页面等待

• 原理：

  • 利用强制等待和显式等待的思路来手动实现
  • 不停的判断或有次数限制的判断某一个标签对象是否加载完毕（是否存在）

• 实现代码如下：

import time
from selenium import webdriver
driver = webdriver.Chrome('/home/worker/Desktop/driver/chromedriver')driver.get('https://www.taobao.com/')
time.sleep(1)# i = 0# while True:for i in range(10):i += 1try:time.sleep(3)element = driver.find_element_by_xpath('//div[@class="shop-inner"]/h3[1]/a')print(element.get_attribute('href'))breakexcept:js = 'window.scrollTo(0, {})'.format(i*500) # js语句driver.execute_script(js) # 执行js的方法
driver.quit()

---

知识点：掌握 手动实现页面等待

---

6. selenium开启无界面模式

绝大多数服务器是没有界面的，selenium控制谷歌浏览器也是存在无界面模式的，这一小节我们就来学习如何开启无界面模式（又称之为无头模式）

• 开启无界面模式的方法

  • 实例化配置对象

    • options = webdriver.ChromeOptions()

  • 配置对象添加开启无界面模式的命令

    • options.add_argument("--headless")

  • 配置对象添加禁用gpu的命令

    • options.add_argument("--disable-gpu")

  • 实例化带有配置对象的driver对象

    • driver = webdriver.Chrome(chrome_options=options)

• 注意：macos中chrome浏览器59+版本，Linux中57+版本才能使用无界面模式！

• 参考代码如下：

from selenium import webdriveroptions = webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument("--headless") # 开启无界面模式
options.add_argument("--disable-gpu") # 禁用gpu# options.set_headles() # 无界面模式的另外一种开启方式driver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象driver.get('http://www.itcast.cn')
print(driver.title)
driver.quit()

---

知识点：掌握 selenium开启无界面模式

---

7. selenium使用代理ip

selenium控制浏览器也是可以使用代理ip的！

• 使用代理ip的方法

  • 实例化配置对象

    • options = webdriver.ChromeOptions()

  • 配置对象添加使用代理ip的命令

    • options.add_argument('--proxy-server=http://202.20.16.82:9527')

  • 实例化带有配置对象的driver对象

    • driver = webdriver.Chrome('./chromedriver', chrome_options=options)

• 参考代码如下：

from selenium import webdriveroptions = webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument('--proxy-server=http://202.20.16.82:9527') # 使用代理ipdriver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象driver.get('http://www.itcast.cn')
print(driver.title)
driver.quit()

---

知识点：了解 selenium使用代理ip

---

8. selenium替换user-agent

selenium控制谷歌浏览器时，User-Agent默认是谷歌浏览器的，这一小节我们就来学习使用不同的User-Agent

• 替换user-agent的方法

  • 实例化配置对象

    • options = webdriver.ChromeOptions()

  • 配置对象添加替换UA的命令

    • options.add_argument('--user-agent=Mozilla/5.0 HAHA')

  • 实例化带有配置对象的driver对象

    • driver = webdriver.Chrome('./chromedriver', chrome_options=options)

• 参考代码如下：

from selenium import webdriveroptions = webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument('--user-agent=Mozilla/5.0 HAHA') # 替换User-Agentdriver = webdriver.Chrome('./chromedriver', chrome_options=options)driver.get('http://www.itcast.cn')
print(driver.title)
driver.quit()

---

知识点：了解 selenium替换user-agent

---

反爬与反反爬

本阶段本文主要学习爬虫的反爬及应对方法。

未完待续 下一期下一章

全套笔记直接地址： 请移步这里