大家好,又见面了,我是你们的朋友全栈君。
前文回顾
之所以把selenium爬虫称之为可视化爬虫
主要是相较于前面所提到的几种网页解析的爬虫方式
selenium爬虫主要是模拟人的点击操作
selenium驱动浏览器并进行操作的过程是可以观察到的
就类似于你在看着别人在帮你操纵你的电脑,类似于别人远程使用你的电脑
当然了,selenium也有无界面模式
快速入门
selenium基本介绍:
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。
用python写爬虫的时候,主要用的是selenium的Webdriver,
#安装selenium库
pip install selenium
#安装对应浏览器驱动
# 我们可以通过下面的方式先看看Selenium.Webdriver支持哪些浏览器
from selenium import webdriver
print(help(webdriver))
适用浏览器:
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
谷歌浏览器驱动下载地址
注意对应版本号,chrome地址栏输入chrome://version/ 查看自己的Chrome版本
我使用的是anaconda 下载好后丢入anaconda3\Scripts文件夹下就可以了
如果是其他ide如:pycharm、VScode但加载的还是anaconda的集成python,依然可以这么操作
简单测试
from selenium import webdriver
# #声明浏览器对象
browser1 = webdriver.Chrome()
browser2 = webdriver.Firefox()
# #访问页面
browser1.get("http://www.baidu.com")
print(browser1.page_source)
#关闭当前窗口
browser1.close()
元素定位
要想对页面进行操作,首先要做的是选中页面元素,
比较常见的八种元素定位方式,如下表
定位一个元素 | 定位多个元素 | 定位方式描述 |
---|---|---|
find_element_by_id | find_elements_by_id | 通过元素 id进行定位 |
find_element_by_name | find_elements_by_name | 通过元素 名称进行定位 |
find_element_by_xpath | find_elements_by_xpath | 通过xpath路径进行定位 |
find_element_by_link_text | find_elements_by_link_text | 通过完整超链接文本进行定位 |
find_element_by_partial_link_text | find_elements_by_partial_link_text | 通过部分超链接文本进行定位 |
find_element_by_tag_name | find_elements_by_tag_name | 通过标记名称进行定位 |
find_element_by_class_name | find_elements_by_class_name | 通过类名称进行定位 |
find_element_by_css_selector | find_elements_by_css_selector | 通过css选择器进行定位 |
更详细定位方式可以参考:《史上最全!Selenium元素定位的30种方式》
页面操作
1.表单填充
# 找到用户名输入用户名
user = drive.find_element_by_name("LoginForm[username]")
user.send_keys(username)
# 找到密码输入密码
pwd=drive.find_element_by_id("LoginForm_password")
pwd.send_keys(password)
# 点击登录按钮实现登录
drive.find_element_by_class_name("login_btn").click()
2.窗口句柄
简单讲,句柄就是浏览器上方每一个窗口栏的唯一标识
#获取当前窗口所有句柄
handles = drive.window_handles
#通过句柄 切换到第2个标签页
drive.switch_to.window(handles[2])
"""操作完成"""
#关闭当前窗口
driver.close()
#通过句柄 切换到第1个标签页
drive.switch_to.window(handles[0])
time.sleep(random.uniform(2,3))
3.url加载和获取
#url加载
drive.get(url)
# 获取当前页面url并断言
currentPageUrl = driver.current_url
4.cookie处理
- get_cookies:获取cookie信息
- add_cookie:添加cookie信息
drive.get("http://www.baidu.com")
cookie = {
'name':'foo','value':'bar'}
drive.add_cookie(cookie)
drive.get_cookies()
等待方式
现在很多网站采用 Ajax技术
无法确定网页元素什么时候能被完全加载
所以网页元素的选取比较困难
此时就需要设置等待(等待网页加载完成)
selenium有两种等待方式:
- 显式等待
- 隐式等待
1.显式等待
显式等待是一种条件触发式等待
直到设置的某一条件达成时才会继续执行
可以设置超时时间,如果超过超时时间元素依然没被加载,就会抛出异常
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
drive = webdriver.Chrome()
url = 'http://www.baidu.com/'
drive.get(url)
try:
WebDriverWait(self.driver,10).until(EC.presence_of_element_located(By.ID,"LoginForm[username]")) #显示等待
except:
print('%s页面未找到元素'% loc)
以上代码加载 ‘http://www.baidu.com/’页面
并定位id为”LoginForm[username]”的元素
设置超时时间10秒,webDriverWait默认会500ms检测一下元素是否存在
selenium提供了一些内置的用于显示等待的方法,
位于expected_conditions类中,详细见下表
内置方法 | 功能 |
---|---|
title_is | 判断当前页面的title是否等于预期内容 |
title_contains | 判断当前页面的title是否包含预期字符串 |
presence_of_element_located | 判断某个元素是否被加到了dom树里, 并不代表该元素一定可见 |
presence_of_all_element_located | 判断是否至少有1个元素存在于dom树里 |
visibility_of_element_located | 判断某个元素是否可见 |
visibility_of | 判断某个元素是否可见 |
invisibility_of_element_located | 判断某个元素是否不存在于dom树里或不可见 |
text_to_be_present_in_element | 判断元素中的text是否包含了预期的字符串 |
text_to_be_present_in_element_value | 判断元素中的value属性是否包含了预期字符 |
frame_to_be_available_and_switch_to_it | 判断该frame是否可以切换进去,如果可以, 返回True并切换进去,否则返回False |
element_to_be_clickable | 判断某个元素是否可见并且是enable的 |
staleness_of | 等待某个元素从dom树中移除 |
element_to_be_selected | 判断某个元素是否被选中了,一般用于下拉列表 |
element_located_to_be_selected | 判断某个元素是否被选中了,一般用于下拉列表 |
element_selection_state_to_be | 判断某个元素的选中状态是否符合预期 |
element_located_selection_state_to_be | 判断某个元素的选中状态是否符合预期 |
alert_is_present | 判断页面上是否存在alert框 |
2.隐式等待
隐式等待是在尝试定位某个元素时,如果没能立刻发现,就等待固定时长
类似于socket超时,默认设置是0秒,即相当于最长等待时长
在浏览器界面直观感受是:
等待直到网页加载完成(地址栏这个地方不是× 变成如下)时继续执行,
网页加载超过设置等待时长才报错
使用方法
from selenium import webdriver
drive = webdriver.Chrome()
url = 'http://www.baidu.com/'
#设置最大等待时长 10秒
drive.implicitly_wait(10)
drive.get(url)
user = drive.find_element_by_name("LoginForm[username]")
3.线程休眠
time.sleep(time)是比较常用的线程休眠方式
为了避免风险,我个人比较喜欢随机休眠
time.sleep(random.uniform(4,5))
扩展程序加载
# 设置好应用扩展
chrome_options.add_extension(extension_path)
#添加下载路径
#download.default_directory:设置下载路径 profile.default_content_settings.popups:设置为 0 禁止弹出窗口
prefs = {
'profile.default_content_settings.popups': 0, 'download.default_directory':tmp_path}
chrome_options.add_experimental_option('prefs', prefs)
写在最后的拉票环节
最近参加了CSDN官方组织的“GEEK+”原创·博主大赛
历经重重筛选,终于上榜TOP 50
原创不易,帮忙投个免费的票
支持一下:点击投票
谢谢大家!!!
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/141946.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...