Python爬虫之selenium库使用详解

什么是Selenium

selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。

selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

selenium基本使用

用python写爬虫的时候，主要用的是selenium的Webdriver，我们可以通过下面的方式先看看Selenium.Webdriver支持哪些浏览器

1

2

3

4

5

6

[email protected]:~

/python35

$ python

Python 3.5.2 (default, Aug 24 2016, 16:48:29) 

[GCC 4.2.1 Compatible Apple LLVM 7.3.0 (clang-703.0.31)] on darwin

Type 

"help"

, 

"copyright"

, 

"credits"

or 

"license"

for

more

information.

>>> from selenium 

import

webdriver

>>> help(webdriver)

执行结果如下，从结果中我们也可以看出基本支持了常见的所有浏览器：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

......

PACKAGE CONTENTS

android (package)

blackberry (package)

chrome (package)

common (package)

edge (package)

firefox (package)

ie (package)

opera (package)

phantomjs (package)

remote (package)

safari (package)

support (package)

webkitgtk (package)

......

这里要说一下比较重要的PhantomJS,PhantomJS是一个而基于WebKit的服务端JavaScript API,支持Web而不需要浏览器支持，其快速、原生支持各种Web标准：Dom处理，CSS选择器，JSON等等。PhantomJS可以用用于页面自动化、网络监测、网页截屏，以及无界面测试

声明浏览器对象

上面我们知道了selenium支持很多的浏览器，但是如果想要声明并调用浏览器则需要：

1

2

3

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser 

=

webdriver.Firefox()

这里只写了两个例子，当然了其他的支持的浏览器都可以通过这种方式调用

访问页面

1

2

3

4

5

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.get(

"http://www.pythontab.com"

)

print

(browser.page_source)

browser.close()

上述代码运行后，会自动打开Chrome浏览器，并登陆百度打印百度首页的源代码，然后关闭浏览器

查找元素

单个元素查找

1

2

3

4

5

6

7

8

9

10

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.get(

"http://bbs.pythontab.com"

)

input_first 

=

browser.find_element_by_id(

"q"

)

input_second 

=

browser.find_element_by_css_selector(

"#q"

)

input_third 

=

browser.find_element_by_xpath(

'//*[@id="q"]'

)

print

(input_first)

print

(input_second)

print

(input_third)

browser.close()

这里我们通过三种不同的方式去获取响应的元素，第一种是通过id的方式，第二个中是CSS选择器，第三种是xpath选择器，结果都是相同的。

这里列举一下常用的查找元素方法：

find_element_by_name

find_element_by_id

find_element_by_xpath

find_element_by_link_text

find_element_by_partial_link_text

find_element_by_tag_name

find_element_by_class_name

find_element_by_css_selector

下面这种方式是比较通用的一种方式：这里需要记住By模块所以需要导入

1

2

3

4

5

6

7

8

from

selenium.webdriver.common.by 

import

By

from

selenium 

import

webdriver

from

selenium.webdriver.common.by 

import

By

browser 

=

webdriver.Chrome()

browser.get(

"http://bbs.pythontab.com"

)

input_first 

=

browser.find_element(By.

ID

,

"q"

)

print

(input_first)

browser.close()

当然这种方法和上述的方式是通用的，browser.find_element(By.ID,"q")这里By.ID中的ID可以替换为其他几个

多个元素查找

其实多个元素和单个元素的区别，举个例子：find_elements,单个元素是find_element,其他使用上没什么区别，通过其中的一个例子演示：

1

2

3

4

5

6

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.get(

"http://bbs.pythontab.com"

)

lis 

=

browser.find_elements_by_css_selector(

'.service-bd li'

)

print

(lis)

browser.close()

这样获得就是一个列表

当然上面的方式也是可以通过导入from selenium.webdriver.common.by import By 这种方式实现

lis = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')

同样的在单个元素中查找的方法在多个元素查找中同样存在：

find_elements_by_name

find_elements_by_id

find_elements_by_xpath

find_elements_by_link_text

find_elements_by_partial_link_text

find_elements_by_tag_name

find_elements_by_class_name

find_elements_by_css_selector

元素交互操作

对于获取的元素调用交互方法

1

2

3

4

5

6

7

8

9

10

11

from

selenium 

import

webdriver

import

time

browser 

=

webdriver.Chrome()

browser.get(

"http://www.taobao.com"

)

input_str 

=

browser.find_element_by_id(

'q'

)

input_str.send_keys(

"ipad"

)

time.sleep(

1

)

input_str.clear()

input_str.send_keys(

"MakBook pro"

)

button 

=

browser.find_element_by_class_name(

'btn-search'

)

button.click()

运行的结果可以看出程序会自动打开Chrome浏览器并打开淘宝输入ipad,然后删除，重新输入MakBook pro，并点击搜索

Selenium所有的api文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

交互动作

将动作附加到动作链中串行执行

1

2

3

4

5

6

7

8

9

10

11

from

selenium 

import

webdriver

from

selenium.webdriver 

import

ActionChains

browser 

=

webdriver.Chrome()

url 

=

"http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"

browser.get(url)

browser.switch_to.frame(

'iframeResult'

)

source 

=

browser.find_element_by_css_selector(

'#draggable'

)

target 

=

browser.find_element_by_css_selector(

'#droppable'

)

actions 

=

ActionChains(browser)

actions.drag_and_drop(source, target)

actions.perform()

更多操作参考：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

执行JavaScript

这是一个非常有用的方法，这里就可以直接调用js方法来实现一些操作，

下面的例子是通过登录知乎然后通过js翻到页面底部，并弹框提示

1

2

3

4

5

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.get(

"http://www.zhihu.com/explore"

)

browser.execute_script(

'window.scrollTo(0, document.body.scrollHeight)'

)

browser.execute_script(

'alert("To Bottom")'

)

获取元素属性

1

2

3

4

5

6

7

8

get_attribute(

'class'

)

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

url 

=

'https://www.zhihu.com/explore'

browser.get(url)

logo 

=

browser.find_element_by_id(

'zh-top-link-logo'

)

print

(logo)

print

(logo.get_attribute(

'class'

))

获取文本值

1

2

3

4

5

6

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

url 

=

'https://www.zhihu.com/explore'

browser.get(url)

input

=

browser.find_element_by_class_name(

'zu-top-add-question'

)

print

(

input

.text)

获取ID，位置，标签名

id

location

tag_name

size

1

2

3

4

5

6

7

8

9

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

url 

=

'https://www.zhihu.com/explore'

browser.get(url)

input

=

browser.find_element_by_class_name(

'zu-top-add-question'

)

print

(

input

.

id

)

print

(

input

.location)

print

(

input

.tag_name)

print

(

input

.size)

Frame

在很多网页中都是有Frame标签，所以我们爬取数据的时候就涉及到切入到frame中以及切出来的问题，通过下面的例子演示

这里常用的是switch_to.from()和switch_to.parent_frame()

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

import

time

from

selenium 

import

webdriver

from

selenium.common.exceptions 

import

NoSuchElementException

browser 

=

webdriver.Chrome()

url 

=

'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'

browser.get(url)

browser.switch_to.frame(

'iframeResult'

)

source 

=

browser.find_element_by_css_selector(

'#draggable'

)

print

(source)

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)

等待

当使用了隐式等待执行测试的时候，如果 WebDriver没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常, 换句话说，当查找元素或元素并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0

隐式等待

到了一定的时间发现元素还没有加载，则继续等待我们指定的时间，如果超过了我们指定的时间还没有加载就会抛出异常，如果没有需要等待的时候就已经加载完毕就会立即执行

1

2

3

4

5

6

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.implicitly_wait(

10

)

browser.get(

'https://www.zhihu.com/explore'

)

input

=

browser.find_element_by_class_name(

'zu-top-add-question'

)

print

(

input

)

显示等待

指定一个等待条件，并且指定一个最长等待时间，会在这个时间内进行判断是否满足等待条件，如果成立就会立即返回，如果不成立，就会一直等待，直到等待你指定的最长等待时间，如果还是不满足，就会抛出异常，如果满足了就会正常返回

1

2

3

4

5

6

7

8

9

10

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

browser 

=

webdriver.Chrome()

browser.get(

'https://www.taobao.com/'

)

wait 

=

WebDriverWait(browser, 

10

)

input

=

wait.until(EC.presence_of_element_located((By.

ID

, 

'q'

)))

button 

=

wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, 

'.btn-search'

)))

print

(

input

, button)

上述的例子中的条件：EC.presence_of_element_located（）是确认元素是否已经出现了

EC.element_to_be_clickable（）是确认元素是否是可点击的

常用的判断条件：

title_is 标题是某内容

title_contains 标题包含某内容

presence_of_element_located 元素加载出，传入定位元组，如(By.ID, 'p')

visibility_of_element_located 元素可见，传入定位元组

visibility_of 可见，传入元素对象

presence_of_all_elements_located 所有元素加载出

text_to_be_present_in_element 某个元素文本包含某文字

text_to_be_present_in_element_value 某个元素值包含某文字

frame_to_be_available_and_switch_to_it frame加载并切换

invisibility_of_element_located 元素不可见

element_to_be_clickable 元素可点击

staleness_of 判断一个元素是否仍在DOM，可判断页面是否已经刷新

element_to_be_selected 元素可选择，传元素对象

element_located_to_be_selected 元素可选择，传入定位元组

element_selection_state_to_be 传入元素对象以及状态，相等返回True，否则返回False

element_located_selection_state_to_be 传入定位元组以及状态，相等返回True，否则返回False

alert_is_present 是否出现Alert

更多操作参考：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

浏览器的前进和后退

back()

forward()

1

2

3

4

5

6

7

8

9

10

import

time

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.get(

'https://www.baidu.com/'

)

browser.get(

'https://www.taobao.com/'

)

browser.get(

'http://www.pythontab.com/'

)

browser.back()

time.sleep(

1

)

browser.forward()

browser.close()

cookie操作

get_cookies()

delete_all_cookes()

add_cookie()

1

2

3

4

5

6

7

8

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.get(

'https://www.zhihu.com/explore'

)

print

(browser.get_cookies())

browser.add_cookie({

'name'

: 

'name'

, 

'domain'

: 

'www.zhihu.com'

, 

'value'

: 

'zhaofan'

})

print

(browser.get_cookies())

browser.delete_all_cookies()

print

(browser.get_cookies())

选项卡管理

通过执行js命令实现新开选项卡window.open()

不同的选项卡是存在列表里browser.window_handles

通过browser.window_handles[0]就可以操作第一个选项卡

1

2

3

4

5

6

7

8

9

10

11

import

time

from

selenium 

import

webdriver

browser 

=

webdriver.Chrome()

browser.get(

'https://www.baidu.com'

)

browser.execute_script(

'window.open()'

)

print

(browser.window_handles)

browser.switch_to_window(browser.window_handles[

1

])

browser.get(

'https://www.taobao.com'

)

time.sleep(

1

)

browser.switch_to_window(browser.window_handles[

0

])

browser.get(

'http://www.pythontab.com'

)

异常处理

这里的异常比较复杂，官网的参考地址：

http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions

这里只进行简单的演示，查找一个不存在的元素

1

2

3

4

5

6

7

8

9

10

11

12

13

from

selenium 

import

webdriver

from

selenium.common.exceptions 

import

TimeoutException, NoSuchElementException

browser 

=

webdriver.Chrome()

try

:

browser.get(

'https://www.baidu.com'

)

except

TimeoutException:

print

(

'Time Out'

)

try

:

browser.find_element_by_id(

'hello'

)

except

NoSuchElementException:

print

(

'No Element'

)

finally

:

browser.close()