学习爬虫Part6-动态爬取解决方案 之 selenium

Posted on | In , , | |
Words count in article: 2.2k | Reading time ≈ 8

动态爬取解决方案 之 selenium

通过驱动浏览器获得的解析JavaScript的能力

pip安装 pip install selenium

驱动按需选择：

  • chrome （内核版本要对应）https://npm.taobao.org/mirrors/chromedriver/
  • firefox
  • IE
  • 下载好后把解压得到的驱动放到设置了环境变量的路径下就行了，如果你的python设置了环境变量，应该丢到python目录下就行了。

https://selenium-python-docs-zh.readthedocs.io/zh_CN/latest/ selenium中文教程

简单测试

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# -*- coding: utf-8 -*-

from selenium import webdriver

#其他浏览器把Chrome换名就行
#option = webdriver.ChromeOptions()
#option.set_headless() 设置无头浏览器，就是隐藏界面后台运行

driver = webdriver.Chrome() #创建driver实例
#driver = webdriver.Chrome(chrome_options=option)  创建实例并载入option

url = 'https://www.baidu.com'
driver.get(url)
#driver.maximize_window() 最大化窗口
#driver.set_window_size(width,height) 设置窗口大小

print(driver.page_source) #打印网页源码
#driver.quit() # 关闭浏览器

1

定位

selenium提供多种方法对元素进行定位，返回WebElement对象，而上面提到的driver就相当于最大的WebElement对象

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
#以下都是单次定位，返回第一个定位到的。如果想多次定位，给element加个s就行，返回的是符合元素的列表
element = driver.find_element_by_id() # 通过标签的id定位，接收id属性值

driver.find_element_by_name() # 通过标签的name定位，接收name属性值

driver.find_element_by_xpath() # 通过xpath定位，接收xpath表达式

driver.find_element_by_link_text() # 通过标签的完全文本定位，接收完整的文本

driver.find_element_by_partial_link_text() # 通过标签的部分文本定位，接收部分文本

driver.find_element_by_tag_name() # 通过标签名定位，接收标签名

driver.find_element_by_class_name() # 通过标签的class定位，接收class属性值

driver.find_element_by_css_selector() # 通过css选择器定位，接收其语法
#返回的WebElement对象可以继续往下定位

除了上面这些公有的方法，还有2个私有的方法来帮助页面对象的定位。 这两个方法就是 find_element 和 find_elements，需要导入By类辅助，接收一个By类属性及其对应语法/值

1
2
3
4
5
6
7
8
9
10
11
12
13
from selenium.webdriver.common.by import By
driver.find_element(By.XPATH,'//a[text()="dark"]')
driver.find_elements(By.XPATH,'//a[text()="dark"]')
'''By类有以下属性
ID = "id"
XPATH = "xpath"
LINK_TEXT = "link text"
PARTIAL_LINK_TEXT = "partial link text"
NAME = "name"
TAG_NAME = "tag_name"
CLASS_NAME = "class name"
CSS_SELECTOR = "css selector"
'''

frame切换

很多人在用selenium会遇到所见非所得，或者定位页面元素的时候会定位不到的问题，这种情况很有可能是frame在搞鬼，必须切换到相应frame中再进行定位。如果遇到以上问题，第一时间F12看下你所要的信息是否在frame标签里面。
frame标签有frameset、frame、iframe三种，frameset跟其他普通标签没有区别，不会影响到正常的定位，而frame与iframe对selenium定位而言是一样的。

selenium提供了4种方法定位iframe并切换进去：

1
2
3
4
5
#对于<iframe name="frame1" id="dark">.....</iframe>
driver.switch_to_frame(0)  # 用frame的index来定位，第一个是0，以此类推
driver.switch_to_frame("frame1")  # 用name来定位
driver.switch_to_frame("dark")  # 用id来定位
driver.switch_to_frame(driver.find_element_by_tag_name("iframe"))  # 用WebElement对象来定位

通常通过id和name就能实现，无此属性时可以通过WebElement对象，即用find_element系列方法所取得的对象来定位。如果你确定每个目标frame都是固定第几个，那也可以用index定位

切到frame中之后，就不能继续操作主文档的元素了，这时如果想操作主文档内容，则需切回主文档。

1
driver.switch_to_default_content()

嵌套frame的切换:

如果frame里包着frame而你要的frame是后者，那么需要一层一层切换进去，切换方法四选一

1
2
driver.switch_to_frame("frame1")
driver.switch_to_frame("frame2")

如果想回去上一个父frame，用driver.switch_to.parent_frame()

window 切换

有时候点开一个链接就会弹出一个新窗口，如果要对其操作就要切换过去，方法和frame的切换差不多，但只接收window_handle（相当于窗口的名字）来进行切换。driver.switch_to_window(“windowName”)

切换前最好保存之前的handle和所有的handles以便于来回切换。

1
2
3
4
5
6
7
8
9
10
current_window = driver.current_window_handle  # 获取当前窗口handle name
all_windows = driver.window_handles  # 获取所有窗口handle name

# 如果window不是当前window，则切换到该window，即切换到新窗口
for window in all_windows:
    if window != current_window:
        driver.switch_to_window(window)
        #....
driver.switch_to_window(current_window)  # 返回之前的窗口
driver.close()  # 窗口的关闭用close()

页面交互

常用的页面交互有点击，输入文本等。交互的原则是 先定位，后交互 ，比如你F12找到了某个文本框或某个可点击项的标签，那就先定位到那，再用以下的交互方法

1
2
3
4
5
6
7
8
9
from selenium.webdriver.common.keys import Keys
# 首先定位到某个文本框或某个可点击项（如超链接，按钮）,
element = driver.find_element_by_xpath('//a[text()="dark"]')

element.send_keys("some text")  # 往文本框输入文本
#element.send_keys("some text", Keys.ARROW_DOWN)  可以使用 Keys 类来模拟输入方向键
element.clear()  # 清空文本框

#element.click() 如果此元素可点击，可用click()方法

要注意的一点是，不是定位到就必定能交互，有时候目标会被网页弹出来的东西覆盖，导致无法交互，所以要确保页面干净无覆盖

上下拉滚动

selenium可以执行js，下拉滚动可以通过此实现，因此就算不懂js也可以记一些有用的js代码

1
2
3
4
#driver.execute_script('js_str')
driver.execute_script('window.scrollTo(0,10000)')  # 移动到指定坐标
driver.execute_script('window.scrollBy(0,10000)')  # 相对当前坐标移动
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')  # 相对当前坐标移动

等待

现在不少web都都有使用ajax技术，即异步加载，有时候你要的东西都还没加载到你就去定位了，就会抛出异常。为了避免此等状况，必须要待其加载一段时间后再进行后面的操作。

最粗暴的方法就是使用time.sleep()，这很笨，因为你还要设置合适的时间，而不同网站加载的速度有异，容易造成时间的浪费。所以最好还是使用selenium提供的两种等待方法

显式Waits

显式Waits允许你设置一个加载时间的上限和一个条件，每隔0.5s就判断一下所设条件，条件成立就继续执行下面的代码，如果过了时间上限还是没有成立，默认抛出NoSuchElementException 异常。这种相对智能的等待方法能最大化地节省时间，应该优先选择使用

selenium提供了多种expected_conditions（EC）来设置条件，但是要注意有定位时EC的方法接收的是定位信息的元组(locator_tuple)而不是两个参数，正确用法如 EC.presence_of_element_located((By.ID,”dark”))
这个条件检测是否有id=’dark’的元素

selenium提供的EC有以下方法，意思如其名

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
title_is(str)
title_contains(str)
presence_of_element_located(locator_tuple)
visibility_of_element_located(locator_tuple) # 判断某个元素是否可见
visibility_of(WebElement) # 同上，传参不同
presence_of_all_elements_located(locator_tuple)
text_to_be_present_in_element(str) # 判断某个元素中的text是否包含了指定字符串
text_to_be_present_in_element_value(str) # 判断某个元素中的value属性是否包含了预期的字符串
frame_to_be_available_and_switch_to_it
invisibility_of_element_located(locator_tuple)
element_to_be_clickable(locator_tuple)
staleness_of(WebElement) # 等待某个元素从的移除
element_to_be_selected(WebElement)
element_located_to_be_selected(locator_tuple)
element_selection_state_to_be(WebElement)
element_located_selection_state_to_be(locator_tuple)
alert_is_present() # 判断页面上是否存在alert

使用上通常搭配try语句

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait # 导入显式等待
from selenium.webdriver.support import expected_conditions as EC # 导入EC
from selenium.common.exceptions import NoSuchElementException

# WebDriverWait(driver,time).until(EC) 显式waits

try:
    element = WebDriverWait(driver,10).until(EC.presence_of_element_located((By.ID,"myDynamicElement")))
    
except NoSuchElementException:
    #.....
finally:
     driver.quit()

隐式等待

隐式等待是在尝试定位某个元素的时候，如果没能成功，就等待固定长度的时间，默认0秒。一旦设置了隐式等待时间，它的作用范围就是Webdriver对象实例的整个生命周期。

driver.implicitly_wait(10)

最后

这是用selenium几分钟弄出来的网易云音乐单曲评论爬虫，而且还模拟了评论翻页，还截了图。没提取信息，提取的时候可以用BeautifulSoup或正则提取，

短短二十行就能做到这种程度（而且不少还是import的），足以见得selenium强大。如果要手动分析，你还要分析js加密算法，写上n倍的代码。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
from selenium import webdriver
import time
from selenium.common.exceptions import NoSuchElementException, TimeoutException
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait

driver = webdriver.Chrome()
driver.maximize_window()
driver.get("http://music.163.com/#/song?id=31877470")
driver.switch_to_frame("contentFrame")
time.sleep(5)
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
driver.save_screenshot('D://代码//pyselenium//gg.png')  # 截图
b = driver.find_element_by_xpath("//a[starts-with(@class,'zbtn znxt')]")
b.click()
try:
    WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.XPATH,"//a[@data-type='reply']")))
    print(driver.page_source)
except NoSuchElementException:
    print('OMG')
finally:
        driver.quit()

2
2

Donate? comment?