3.selenium模块

本节内容：

• 介绍
• 安装
• 基本使用
• 选择器
• 等待元素被加载
• 元素交互操作
• 其他
• 项目练习

一.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
 
 from selenium import webdriver
 browser=webdriver.Chrome()
 browser=webdriver.Firefox()
 browser=webdriver.PhantomJS()
 browser=webdriver.Safari()
 browser=webdriver.Edge() 

官网链接

二.安装

 #安装：selenium+chromedriver
 pip3 install selenium
 下载chromdriver.exe放到python安装路径的scripts目录中即可，注意最新版本是2.35，并非2.9
 国内镜像网站地址：http://npm.taobao.org/mirrors/chromedriver/2.35/
 最新的版本去官网找:https://sites.google.com/a/chromium.org/chromedriver/downloads
 
 #验证安装
 C:\Users\Administrator>python3
 Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
 Type "help", "copyright", "credits" or "license" for more information.
 >>> from selenium import webdriver
 >>> driver=webdriver.Chrome() #弹出浏览器
 >>> driver.get('https://www.baidu.com')
 >>> driver.page_source
 
 #注意：
 selenium3默认支持的webdriver是Firfox，而Firefox需要安装geckodriver
 下载链接：https://github.com/mozilla/geckodriver/releases

selenium+chromedriver

 #安装：selenium+phantomjs
 pip3 install selenium
 下载phantomjs，解压后把phantomjs.exe所在的bin目录放到环境变量
 下载链接：http://phantomjs.org/download.html
 
 #验证安装
 C:\Users\Administrator>phantomjs
 phantomjs> console.log('egon gaga')
 egon gaga
 undefined
 phantomjs> ^C
 C:\Users\Administrator>python3
 Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
 Type "help", "copyright", "credits" or "license" for more information.
 >>> from selenium import webdriver
 >>> driver=webdriver.PhantomJS() #无界面浏览器
 >>> driver.get('https://www.baidu.com')
 >>> driver.page_source

selenium+phantomjs

三.基本使用

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 
 browser=webdriver.Chrome()
 try:
     browser.get('https://www.baidu.com')
 
     input_tag=browser.find_element_by_id('kw')
     input_tag.send_keys('美女') #python2中输入中文错误，字符串前加个u
     input_tag.send_keys(Keys.ENTER) #输入回车
 
     wait=WebDriverWait(browser,10)
     wait.until(EC.presence_of_element_located((By.ID,'content_left'))) #等到id为content_left的元素加载完毕,最多等10秒
 
     print(browser.page_source)
     print(browser.current_url)
     print(browser.get_cookies())
 
 finally:
     browser.close()

四.选择器

1.基本用法

 #官网链接：http://selenium-python.readthedocs.io/locating-elements.html
 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 import time
 
 driver=webdriver.Chrome()
 driver.get('https://www.baidu.com')
 wait=WebDriverWait(driver,10)#显式等待
 
 try:
     #===============所有方法===================
     # 1、find_element_by_id
     # 2、find_element_by_link_text
     # 3、find_element_by_partial_link_text
     # 4、find_element_by_tag_name
     # 5、find_element_by_class_name
     # 6、find_element_by_name
     # 7、find_element_by_css_selector
     # 8、find_element_by_xpath
     # 强调：
     # 1、上述均可以改写成find_element(By.ID,'kw')的形式
     # 2、find_elements_by_xxx的形式是查找到多个元素，结果为列表
 
     #===============示范用法===================
     # 1、find_element_by_id
     print(driver.find_element_by_id('kw'))
 
     # 2、find_element_by_link_text
     # login=driver.find_element_by_link_text('登录')
     # login.click()
 
     # 3、find_element_by_partial_link_text#模糊搜索
     login=driver.find_elements_by_partial_link_text('录')[0]
     login.click()
 
     # 4、find_element_by_tag_name
     print(driver.find_element_by_tag_name('a'))
 
     # 5、find_element_by_class_name
     button=wait.until(EC.element_to_be_clickable((By.CLASS_NAME,'tang-pass-footerBarULogin')))
     button.click()
 
     # 6、find_element_by_name
     input_user=wait.until(EC.presence_of_element_located((By.NAME,'userName')))
     input_pwd=wait.until(EC.presence_of_element_located((By.NAME,'password')))
     commit=wait.until(EC.element_to_be_clickable((By.ID,'TANGRAM__PSP_10__submit')))
 
     input_user.send_keys('')
     input_pwd.send_keys('lhf@094573')
     commit.click()
 
     # 7、find_element_by_css_selector
     driver.find_element_by_css_selector('#kw')
 
     # 8、find_element_by_xpath
 
     time.sleep(5)
 
 finally:
     driver.close()

2.xpath

 #官网链接：http://selenium-python.readthedocs.io/locating-elements.html
 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 import time
 
 driver=webdriver.PhantomJS()
 driver.get('https://doc.scrapy.org/en/latest/_static/selectors-sample1.html')
 # wait=WebDriverWait(driver,3)
 driver.implicitly_wait(3) #使用隐式等待
 
 try:
     # find_element_by_xpath
     #//与/
     # driver.find_element_by_xpath('//body/a')  # 开头的//代表从整篇文档中寻找,body之后的/代表body的儿子，这一行找不到就会报错了
 
     driver.find_element_by_xpath('//body//a')  # 开头的//代表从整篇文档中寻找,body之后的//代表body的子子孙孙
     driver.find_element_by_css_selector('body a')
 
     #取第n个
     res1=driver.find_elements_by_xpath('//body//a[1]') #取第一个a标签
     print(res1[0].text)
 
     #按照属性查找,下述三者查找效果一样
     res1=driver.find_element_by_xpath('//a[5]')
     res2=driver.find_element_by_xpath('//a[@href="image5.html"]')
     res3=driver.find_element_by_xpath('//a[contains(@href,"image5")]') #模糊查找
     print('==>', res1.text)
     print('==>',res2.text)
     print('==>',res3.text)
 
     #其他
     res1=driver.find_element_by_xpath('/html/body/div/a')
     print(res1.text)
 
     res2=driver.find_element_by_xpath('//a[img/@src="data:image3_thumb.jpg"]') #找到子标签img的src属性为image3_thumb.jpg的a标签
     print(res2.tag_name,res2.text)
 
     res3 = driver.find_element_by_xpath("//input[@name='continue'][@type='button']") #查看属性name为continue且属性type为button的input标签
     res4 = driver.find_element_by_xpath("//*[@name='continue'][@type='button']") #查看属性name为continue且属性type为button的所有标签
 
     time.sleep(5)
 
 finally:
     driver.close()
 
 #xpath可以直接用页面的检查元素copy到

Xpath用法

3.获取标签属性

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 
 browser=webdriver.Chrome()
 
 browser.get('https://www.amazon.cn/')
 
 wait=WebDriverWait(browser,10)
 wait.until(EC.presence_of_element_located((By.ID,'cc-lm-tcgShowImgContainer')))
 
 tag=browser.find_element(By.CSS_SELECTOR,'#cc-lm-tcgShowImgContainer img')
 
 #获取标签属性，
 print(tag.get_attribute('src'))
 
 #获取标签ID，位置，名称，大小（了解）
 print(tag.id)
 print(tag.location)
 print(tag.tag_name)
 print(tag.size)
 
 browser.close()

获取标签属性

五.等待元素被加载

 #1、selenium只是模拟浏览器的行为，而浏览器解析页面是需要时间的（执行css，js），一些元素可能需要过一段时间才能加载出来，为了保证能查找到元素，必须等待
 
 #2、等待的方式分两种：
 隐式等待：在browser.get（'xxx'）前就设置，针对所有元素有效
 显式等待：在browser.get（'xxx'）之后设置，只针对某个元素有效

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 
 browser=webdriver.Chrome()
 
 #隐式等待:在查找所有元素时，如果尚未被加载，则等10秒
 browser.implicitly_wait(10)
 
 browser.get('https://www.baidu.com')
 
 input_tag=browser.find_element_by_id('kw')
 input_tag.send_keys('美女')
 input_tag.send_keys(Keys.ENTER)
 
 contents=browser.find_element_by_id('content_left') #没有等待环节而直接查找，找不到则会报错
 print(contents)
 
 browser.close()

隐式等待

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 
 browser=webdriver.Chrome()
 browser.get('https://www.baidu.com')
 
 input_tag=browser.find_element_by_id('kw')
 input_tag.send_keys('美女')
 input_tag.send_keys(Keys.ENTER)
 
 #显式等待：显式地等待某个元素被加载
 wait=WebDriverWait(browser,10)
 wait.until(EC.presence_of_element_located((By.ID,'content_left')))
 
 contents=browser.find_element(By.CSS_SELECTOR,'#content_left')
 print(contents)
 
 browser.close()

显式等待

六.元素交互操作

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 
 browser=webdriver.Chrome()
 browser.get('https://www.amazon.cn/')
 wait=WebDriverWait(browser,10)
 
 input_tag=wait.until(EC.presence_of_element_located((By.ID,'twotabsearchtextbox')))
 input_tag.send_keys('iphone 8')
 button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
 button.click()
 
 import time
 time.sleep(3)
 
 input_tag=browser.find_element_by_id('twotabsearchtextbox')
 input_tag.clear() #清空输入框
 input_tag.send_keys('iphone7plus')
 button=browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
 button.click()
 
 # browser.close()

点击,清空

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By  # 按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys  # 键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
 import time
 
 driver = webdriver.Chrome()
 driver.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
 wait=WebDriverWait(driver,3)
 # driver.implicitly_wait(3)  # 使用隐式等待
 
 try:
     driver.switch_to.frame('iframeResult') ##切换到iframeResult
     sourse=driver.find_element_by_id('draggable')
     target=driver.find_element_by_id('droppable')
 
     #方式一：基于同一个动作链串行执行
     # actions=ActionChains(driver) #拿到动作链对象
     # actions.drag_and_drop(sourse,target) #把动作放到动作链中，准备串行执行
     # actions.perform()
 
     #方式二：不同的动作链，每次移动的位移都不同
     ActionChains(driver).click_and_hold(sourse).perform()
     distance=target.location['x']-sourse.location['x']
 
     track=0
     while track < distance:
         ActionChains(driver).move_by_offset(xoffset=2,yoffset=0).perform()
         track+=2
 
     ActionChains(driver).release().perform()
 
     time.sleep(10)
 
 finally:
     driver.close()

ActionChains->可延伸到滑动验证码

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 
 try:
     browser=webdriver.Chrome()
     browser.get('https://www.baidu.com')
     browser.execute_script('alert("hello world")') #打印警告
 finally:
     browser.close()

在交互动作比较难实现的时候可以自己写JS（万能方法）

 #frame相当于一个单独的网页，在父frame里是无法直接查看到子frame的元素的，必须switch_to_frame切到该frame下，才能进一步查找
 
 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 
 try:
     browser=webdriver.Chrome()
     browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
 
     browser.switch_to.frame('iframeResult') #切换到id为iframeResult的frame
 
     tag1=browser.find_element_by_id('droppable')
     print(tag1)
 
     # tag2=browser.find_element_by_id('textareaCode') #报错，在子frame里无法查看到父frame的元素
     browser.switch_to.parent_frame() #切回父frame,就可以查找到了
     tag2=browser.find_element_by_id('textareaCode')
     print(tag2)
 
 finally:
     browser.close()

补充:frame的切换

七.其他

 #模拟浏览器的前进后退
 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.sina.com.cn/')
 
 browser.back()
 time.sleep(10)
 browser.forward()
 browser.close()

模拟浏览器的前进后退

 #cookies
 from selenium import webdriver
 
 browser=webdriver.Chrome()
 browser.get('https://www.zhihu.com/explore')
 print(browser.get_cookies())
 browser.add_cookie({'k1':'xxx','k2':'yyy'})
 print(browser.get_cookies())
 
 # browser.delete_all_cookies()

cookies

 #选项卡管理：切换选项卡，有js的方式windows.open,有windows快捷键：ctrl+t等，最通用的就是js的方式
 import time
 from selenium import webdriver
 
 browser=webdriver.Chrome()
 browser.get('https://www.baidu.com')
 browser.execute_script('window.open()')
 
 print(browser.window_handles) #获取所有的选项卡
 browser.switch_to_window(browser.window_handles[1])
 browser.get('https://www.taobao.com')
 time.sleep(10)
 browser.switch_to_window(browser.window_handles[0])
 browser.get('https://www.sina.com.cn')
 browser.close()

选项卡管理

 from selenium import webdriver
 from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException
 
 try:
     browser=webdriver.Chrome()
     browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
     browser.switch_to.frame('iframssseResult')
 
 except TimeoutException as e:
     print(e)
 except NoSuchFrameException as e:
     print(e)
 finally:
     browser.close()

异常处理

 #注意：网站都策略都是在不断变化的，精髓在于学习流程。下述代码生效与2017-11-7，不能保证永久有效
 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By
 from selenium.webdriver.common.keys import Keys
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait
 
 browser=webdriver.Chrome()
 
 try:
     browser.get('http://mail.163.com/')
 
     wait=WebDriverWait(browser,5)
 
     frame=wait.until(EC.presence_of_element_located((By.ID,'x-URS-iframe')))
     browser.switch_to.frame(frame)
 
     wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'.m-container')))
 
     inp_user=browser.find_element_by_name('email')
     inp_pwd=browser.find_element_by_name('password')
     button=browser.find_element_by_id('dologin')
     inp_user.send_keys('')
     inp_pwd.send_keys('xxxx')
     button.click()
 
     #如果遇到验证码，可以把下面一小段打开注释
     # import time
     # time.sleep(10)
     # button = browser.find_element_by_id('dologin')
     # button.click()
 
     wait.until(EC.presence_of_element_located((By.ID,'dvNavTop')))
     write_msg=browser.find_elements_by_css_selector('#dvNavTop li')[1] #获取第二个li标签就是“写信”了
     write_msg.click()
 
     wait.until(EC.presence_of_element_located((By.CLASS_NAME,'tH0')))
     recv_man=browser.find_element_by_class_name('nui-editableAddr-ipt')
     title=browser.find_element_by_css_selector('.dG0 .nui-ipt-input')
     recv_man.send_keys('378533872@qq.com')
     title.send_keys('圣旨')
     print(title.tag_name)
 
     frame=wait.until(EC.presence_of_element_located((By.CLASS_NAME,'APP-editor-iframe')))
     browser.switch_to.frame(frame)
     body=browser.find_element(By.CSS_SELECTOR,'body')
     body.send_keys('egon很帅，可以加工资了')
 
     browser.switch_to.parent_frame() #切回他爹
     send_button=browser.find_element_by_class_name('nui-toolbar-item')
     send_button.click()
 
     #可以睡时间久一点别让浏览器关掉，看看发送成功没有
     import time
     time.sleep(10000)
 
 except Exception as e:
     print(e)
 finally:
     browser.close()

自动登录163邮箱并发送邮件

 from selenium import webdriver
 from selenium.webdriver import ActionChains
 from selenium.webdriver.common.by import By #按照什么方式查找，By.ID,By.CSS_SELECTOR
 from selenium.webdriver.common.keys import Keys #键盘按键操作
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
 import time
 
 def get_goods(driver):
     try:
         goods=driver.find_elements_by_class_name('gl-item')
 
         for good in goods:
             detail_url=good.find_element_by_tag_name('a').get_attribute('href')
 
             p_name=good.find_element_by_css_selector('.p-name em').text.replace('\n','')
             price=good.find_element_by_css_selector('.p-price i').text
             p_commit=good.find_element_by_css_selector('.p-commit a').text
 
             msg = '''
             商品 : %s
             链接 : %s
             价钱 ：%s
             评论 ：%s
             ''' % (p_name,detail_url,price,p_commit)
 
             print(msg,end='\n\n')
 
         button=driver.find_element_by_partial_link_text('下一页')
         button.click()
         time.sleep(1)
         get_goods(driver)
     except Exception:
         pass
 
 def spider(url,keyword):
     driver = webdriver.Chrome()
     driver.get(url)
     driver.implicitly_wait(3)  # 使用隐式等待
     try:
         input_tag=driver.find_element_by_id('key')
         input_tag.send_keys(keyword)
         input_tag.send_keys(Keys.ENTER)
         get_goods(driver)
     finally:
         driver.close()
 
 if __name__ == '__main__':
     spider('https://www.jd.com/',keyword='iPhone8手机')

爬取京东商城商品信息