selenium介绍
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
中文参考文档
官网
环境安装
下载安装selenium
pip install selenium -i https://mirrors.aliyun.com/pypi/simple/
谷歌浏览器驱动程序下载地址:
http://chromedriver.storage.googleapis.com/index.html
使用示例
from selenium import webdriver from time import sleep # 实例化一款浏览器 bor = webdriver.Chrome(executable_path='chromedriver.exe') # 对指定的url发起请求 bor.get('https://www.jd.com/') sleep(1) # 进行标签定位 search_input = bor.find_element_by_id('key') # 向搜索框中录入关键词 search_input.send_keys("mac pro") # 点击搜索按钮 btn = bor.find_element_by_xpath('//*[@id="search"]/div/div[2]/button') btn.click() sleep(2) # 执行js,让滚轮向下滚动 bor.execute_script('window.scrollTo(0, document.body.scrollHeight)') sleep(2) page_text = bor.page_source print(page_text) bor.quit()
浏览器创建
Selenium支持非常多的浏览器,如Chrome、Firefox、Edge等,还有Android、BlackBerry等手机端的浏览器。另外,也支持无界面浏览器PhantomJS。
from selenium import webdriver browser = webdriver.Chrome() browser = webdriver.Firefox() browser = webdriver.Edge() browser = webdriver.PhantomJS() browser = webdriver.Safari()
元素定位
webdriver 提供了一系列的元素定位方法,常用的有以下几种:
定位一个元素
定位多个元素
含义
find_element_by_id
find_elements_by_id
通过元素id定位
find_element_by_name
find_elements_by_name
通过元素name定位
find_element_by_xpath
find_elements_by_xpath
通过xpath表达式定位
find_element_by_link_text
find_elements_by_link_tex
通过完整超链接定位
find_element_by_partial_link_text
find_elements_by_partial_link_text
通过部分链接定位
find_element_by_tag_name
find_elements_by_tag_name
通过标签定位
find_element_by_class_name
find_elements_by_class_name
通过类名进行定位
find_elements_by_css_selector
find_elements_by_css_selector
通过css选择器进行定位
注意:
1、find_element_by_xxx找的是第一个符合条件的标签,find_elements_by_xxx找的是所有符合条件的标签。
2、根据ID、CSS选择器和XPath获取,它们返回的结果完全一致。
3、另外,Selenium还提供了通用方法find_element()
,它需要传入两个参数:查找方式By
和值。实际上,它就是find_element_by_id()
这种方法的通用函数版本,比如find_element_by_id(id)
就等价于find_element(By.ID, id)
,二者得到的结果完全一致。
实例演示
假如有一个web页面,通过前端工具查看到一个元素的属性是这样的。
<html> <head> <body link="#0000cc"> <a href="/" rel="external nofollow" onmousedown="return c({'fm':'tab','tab':'logo'})"> <form name="f" action="/s"> <span ></span> <input name="wd" value="" maxlength="255" autocomplete="off">
通过id定位:
dr.find_element_by_id("kw")
通过name定位:
dr.find_element_by_name("wd")
通过class name定位:
dr.find_element_by_class_name("s_ipt")
通过tag name定位:
dr.find_element_by_tag_name("input")
通过xpath定位,xpath定位有N种写法,这里列几个常用写法:
dr.find_element_by_xpath("//*[@]") dr.find_element_by_xpath("//*[@name='wd']") dr.find_element_by_xpath("//input[@]") dr.find_element_by_xpath("/html/body/form/span/input") dr.find_element_by_xpath("//span[@]/input") dr.find_element_by_xpath("//form[@]/span/input") dr.find_element_by_xpath("//input[@ and @name='wd']")
通过css定位,css定位有N种写法,这里列几个常用写法:
dr.find_element_by_css_selector("#kw") dr.find_element_by_css_selector("[name=wd]") dr.find_element_by_css_selector(".s_ipt") dr.find_element_by_css_selector("html > body > form > span > input") dr.find_element_by_css_selector("span.soutu-btn> input#kw") dr.find_element_by_css_selector("form#form > span > input")
假如页面上有如下一组文本链接
<a href="http://news.baidu.com" rel="external nofollow" name="tj_trnews">新闻</a> <a href="http://www.hao123.com" rel="external nofollow" name="tj_trhao123">hao123</a>
通过link text定位:
dr.find_element_by_link_text("新闻") dr.find_element_by_link_text("hao123")
通过partial link text定位:
dr.find_element_by_partial_link_text("新") dr.find_element_by_partial_link_text("hao") dr.find_element_by_partial_link_text("123")
控制浏览器
常用的控制浏览器操作的一些方法
"htmlcode">
from selenium import webdriver from time import sleep #1.创建Chrome浏览器对象,这会在电脑上在打开一个浏览器窗口 browser = webdriver.Chrome(executable_path= "chromedriver.exe") #2.通过浏览器向服务器发送URL请求 browser.get("https://www.baidu.com/") sleep(3) #3.刷新浏览器 browser.refresh() #4.设置浏览器的大小 browser.set_window_size(1400,800) #5.设置链接内容 element=browser.find_element_by_link_text("新闻") element.click()
调用JavaScript代码
虽然WebDriver提供了操作浏览器的前进和后退方法,但对于浏览器滚动条并没有提供相应的操作方法。在这种情况下,就可以借助JavaScript来控制浏览器的滚动条。WebDriver提供了execute_script()方法来执行JavaScript代码。
用于调整浏览器滚动条位置的JavaScript代码如下:
<!-- window.scrollTo(左边距,上边距); --> window.scrollTo(0,450);
from selenium import webdriver from time import sleep # 1.访问百度 drive = webdriver.Chrome(executable_path='chromedriver.exe') drive.get('https://www.baidu.com') # 2.搜索 drive.find_element_by_id('kw').send_keys('python') drive.find_element_by_id('su').click() # 3.休眠2s,获取服务器的响应内容 sleep(2) # 4.通过javascript设置浏览器窗口的滚动条位置 drive.execute_script('window.scrollTo(0, 500)') # drive.execute_script('window.scrollTo(0, document.body.scrollHeight)') #滑到最底部 sleep(2) drive.close()
获取页面源码数据
通过page_source
属性可以获取网页的源代码,接着就可以使用解析库(如正则表达式、Beautiful Soup、pyquery等)来提取信息了。
"htmlcode">
from selenium import webdriver from time import sleep # 1.访问百度 drive = webdriver.Chrome(executable_path='chromedriver.exe') drive.get('https://www.baidu.com') # 2.搜索 drive.find_element_by_id('kw').send_keys('python') drive.find_element_by_id('su').click() # 3.休眠2s,获取服务器的响应内容 sleep(2) # 4.获取页面源码数据 text = drive.page_source print(text) drive.close()
cookie操作
有时候我们需要验证浏览器中cookie是否正确,因为基于真实cookie的测试是无法通过白盒和集成测试进行的。WebDriver提供了操作Cookie的相关方法,可以读取、添加和删除cookie信息。
WebDriver操作cookie的方法:
"htmlcode">
from selenium import webdriver drive = webdriver.Chrome(executable_path='chromedriver.exe') drive.get('https://www.cnblogs.com/') # 1.打印cookie信息 print(drive.get_cookies()) # 2.添加cookie信息 dic = {'name':'name', 'value':'python'} drive.add_cookie(dic) print(drive.get_cookies()) # 3.遍历打印cookie信息 for cookie in drive.get_cookies(): print(f"{cookie['name']}---f{cookie['value']}\n") drive.close()
谷歌无头浏览器
PhantomJs已停止维护更新,这里使用谷歌的无头浏览器,是一款无界面的谷歌浏览器。很多时候我们爬取数据,并不想打开一个浏览器窗口进行操作,我们只需要获取数据或者拿到cookie然后进行操作。
"htmlcode">
from selenium import webdriver from selenium.webdriver.chrome.options import Options # 1.创建一个参数对象,用来控制chrome以无界面模式打开 chrome_options = Options() chrome_options.add_argument('--headless') chrome_options.add_argument('--disable-gpu') # 2.创建浏览器对象 drive = webdriver.Chrome(executable_path='chromedriver.exe', chrome_options=chrome_options) # 3.发起请求获取数据 drive.get('https://www.cnblogs.com/') page_text = drive.page_source print(page_text) drive.close()
selenium规避被检测识别
现在不少大网站有对selenium采取了监测机制。比如正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为 undefined。而使用selenium访问则该值为true。那么如何解决这个问题呢?
只需要设置Chromedriver的启动参数即可解决问题。在启动Chromedriver之前,为Chrome开启实验性功能参数excludeSwitches
,它的值为['enable-automation']
,完整代码如下:
"htmlcode">
from selenium import webdriver from selenium.webdriver import ChromeOptions # 1.实例化一个ChromeOptions对象 option = ChromeOptions() option.add_experimental_option('excludeSwitches', ['enable-automation']) # 2.将ChromeOptions实例化的对象option作为参数传给Crhome对象 driver = webdriver.Chrome(executable_path='chromedriver.exe', options=option) # 3.发起请求 driver.get('https://www.taobao.com/')
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!