爬虫四 selenium模块

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          #导入模块，然后产生一个浏览器对象
browser=webdriver.Chrome()
browser=webdriver.Firefox()
browser=webdriver.PhantomJS()
browser=webdriver.Safari()
browser=webdriver.Edge()

二、安装

　　1、selenium+chromedriver

 pip3 install selenium
下载chromdriver.exe放到python安装路径的scripts目录中即可，可以在notes.txt中查看每个版本适用与那个浏览器
下载链接：http://npm.taobao.org/mirrors/chromedriver/

#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，产生一个浏览器对象，后续就是通过这个浏览器对象来操作浏览器
>>> driver.get('https://www.baidu.com')   #控制浏览器访问url
>>> driver.page_source         #打印访问url后返回的html信息

#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

　　2、selenium+phantomjs

#PhantomJS 是一个无界面的webkit内核浏览器，你可以把它当作一个没有界面的 Safari
pip3 install selenium
下载phantomjs，解压后把phantomjs.exe所在的bin目录放到环境变量中
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

三、基本使用

from selenium import webdriver  #驱动浏览器
from selenium.webdriver import ActionChains #作用链，主要用作滑动验证
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 #与EC联用，等待页面中的某个元素被加载完成

browser=webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
    input_tag=browser.find_element_by_id('kw') #通过id的方式查找元素，与input_tag=browser.find_element(By.CSS_SELECTOR,'#kw')的结果一样
    input_tag.send_keys('美女') #python2中输入中文错误，字符串前加个u,在这个input标签内输入查找的字符
    input_tag.send_keys(Keys.ENTER) #输入回车或者是查找到提交按钮点击都可以（# input_tag.click()）
    wait=WebDriverWait(browser,10)         #产生一个等待的对象
    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)   #获取返回的网页html
    print(browser.current_url)　　#获取返回的网页url
    print(browser.get_cookies()) #获取返回的网页cookie
finally:
    browser.close()     #无论怎样关闭浏览器

 

四、三种选择器

　　1、三种查找元素（标签）方式

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')

#以下三种方式达到的都是同一种效果：查找id为kw的标签
input_tag1=browser.find_element(By.ID,'kw') #等同于：input_tag1=browser.find_element_by_id('kw')
input_tag2=browser.find_element(By.CSS_SELECTOR,'#kw') #等同于：input_tag2=browser.find_element_by_css_selector('#kw')
input_tag3=browser.find_element(By.XPATH,'//*[@id="kw"]') #等同于：input_tag3=browser.find_element_by_xpath('//*[@id="kw"]')

总结：

# By.CSS_SELECTOR　　通过css属性查看，属性可以是id，class等。
# By.CLASS_NAME     通过class属性查找
# By.XPATH　　　　　　通过路径匹配查找
# By.ID　　　　　　　　通过id查找
# By.TAG_NAME　　　　通过tag标签查找
#注意：browser.find_elements系列与browser.find_element的区别就是，前者是查找多个，后者是只找第一个
div1=browser.find_element(By.CSS_SELECTOR,'div') #找到第一个div标签
div2=browser.find_elements(By.CSS_SELECTOR,'div') #找到所有的div标签，放到列表里
browser.close()

　　2、获取元素（标签）内容的方式

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，内容（了解）
print(tag.id)
print(tag.location)
print(tag.tag_name)
print(tag.size)

print(tag.text)

browser.close()

五、等待元素被加载

　　1、简介

#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

　　2、隐式等待

#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
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)#等待十秒加载不出来就会抛出异常，10秒内加载出来正常返回数据
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()

　　3、显式等待

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)#指定一个等待条件，和一个最长等待时间，程序会判断在等待时间内条件是否满足，如果满足则返回，如果不满足会继续等待，超过时间就会抛出异常
wait.until(EC.presence_of_element_located((By.ID,'content_left')))
contents=browser.find_element(By.CSS_SELECTOR,'#content_left')
print(contents)
browser.close()

六、元素交互操作

　　1、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

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()

　　2、action chains 行为链

#http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains
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('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
browser.switch_to.frame('iframeResult') #切换到iframeResult,只有frame中嵌套一个frame时才会使用

source=browser.find_element_by_id('draggable')
target=browser.find_element_by_id('droppable')

actions=ActionChains(browser) #拿到动作链对象
actions.drag_and_drop(source,target) #把动作放到动作链中，准备串行执行，意思就是把source元素移动到target元素
actions.perform() #执行

　　3、在交互动作比较困难的情况下可以自己写js代码（万能方法）

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()

有些动作可能没有提供api，比如进度条下拉，这时，我们可以通过代码执行JavaScript
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')

　　4、frame的切换（frame内嵌套frame）

#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()

七、其他

　　1、模拟浏览器的前进后退功能

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()    #后退
time.sleep(10)
browser.forward()  #前进
browser.close()

　　2、#cookies

#获取网页返回的cookie
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()

　　3、选项卡管理（就是一个浏览器打开多个窗口）

#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]) #切到第一个选项卡（窗口）中
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()

　　4、异常处理

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()

八、自动登陆163邮箱

 #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('你很帅，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()

九、破解极验滑动验证

#安装PIL模块
#pip3 install pillow

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_image():
    #拿到验证码图片在整个页面的元素
    img=wait.until(EC.presence_of_element_located((By.CLASS_NAME,'geetest_canvas_img')))
    time.sleep(2)  # 保证验证码图片已经被加载成功
    driver.save_screenshot('snap.png')

    #拿到图片的位置
    top=img.location['y']
    left=img.location['x']
    right=img.location['x']+img.size['width']
    bottom=img.location['y']+img.size['height']

    from PIL import Image
    full_snap=Image.open('snap.png') #裁剪图片
    crop_image=full_snap.crop((left,top,right,bottom))

    # crop_image.show() #显示剪裁后的图片
    # crop_image.size #宽weight和高height

    return crop_image

def get_distance(image1,image2):
    p1=image1.load()
    p2=image2.load()
    x=60
    for i in range(x,image1.size[0]):
        for j in range(20,image1.size[1]-20):
            print(i,j)
            dot1=p1[i,j]
            dot2=p2[i,j]
            r=abs(dot1[0]-dot2[0])
            g=abs(dot1[1]-dot2[1])
            b=abs(dot1[2]-dot2[2])
            if not (r < 60 and g < 60 and b < 60):
                return i-7
    # return i

def get_tracks(distance):
    t = 0.2
    v = 0
    mid=distance*3/5
    tracks=[]

    current=0
    while current < distance:
        if current < mid:
            a=2
        else:
            a=-3
        v0 = v
        s = v0 * t + 0.5 * a * (t ** 2)
        current+=s
        v=v0+a*t
        # print(round(s))

        tracks.append(round(s))
    return tracks

driver=webdriver.Chrome()
wait=WebDriverWait(driver,10)

try:
    #步骤一：访问登录页面，拿到点击按钮，点击出图（完整的图）
    driver.get('https://account.geetest.com/login')

    button=wait.until(EC.presence_of_element_located((By.CLASS_NAME,'geetest_radar_tip')))
    button.click()

    #步骤二：拿到验证码图片（没有缺口）
    image1=get_image()

    #步骤三：拿到滑动按钮，点击出图（有缺口的图）
    button=wait.until(EC.presence_of_element_located((By.CLASS_NAME,'geetest_slider_button')))
    button.click()

    #步骤四：拿到验证码图片（有缺口）
    image2=get_image()

    #步骤五：对比两种图的像素RGB,得到不一样的像素点，取位移
    distance=get_distance(image1,image2)
    print(image1.size)
    print(image2.size)
    print(distance)

    #步骤六：把distance分解成一段一段的小轨迹，模拟人的行为：先匀加速再匀减速
    '''
    v=v0+a*t
    s=v0*t+0.5*a*(t**2)
    a=5
    '''
    tracks=get_tracks(distance)

    #步骤七：按照轨迹列表先匀加速移动再匀减速运动
    button=wait.until(EC.presence_of_element_located((By.CLASS_NAME,'geetest_slider_button')))
    ActionChains(driver).click_and_hold(button).perform()
    for track in tracks:
        ActionChains(driver).move_by_offset(xoffset=track,yoffset=0).perform()
    else:
        ActionChains(driver).move_by_offset(xoffset=3,yoffset=0).perform()
        ActionChains(driver).move_by_offset(xoffset=-3,yoffset=0).perform()

    time.sleep(0.5)
    ActionChains(driver).release().perform()

    time.sleep(20)

finally:
    driver.close()

十、滑动托块

#破码之拖动滑块
# encoding:utf-8
import selenium
import time
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver import ActionChains

driver = webdriver.Chrome()
# 设定等待时间
wait = WebDriverWait(driver, 30)
# 打开网页
driver.get("http://……")

#等待搜索框加载完成传入搜索关键字
input = wait.until(EC.presence_of_element_located((By.XPATH, '//*[@id="searchText"]')))
input.send_keys(u"安徽投资有限责任公司")
time.sleep(5)
#等待搜索按钮可点击，点击
button = wait.until(EC.element_to_be_clickable((By.XPATH,'//*[@id="click"]')))
button.click()
time.sleep(5)
actions = ActionChains(driver)
# 进入搜索页后，找到滑块
element = driver.find_element_by_xpath("//div[@class='gt_slider_knob gt_show']")

#鼠标点击元素并按住不放
actions.click_and_hold(on_element = element).perform()

#拖动鼠标到指定的位置，注意这里位置是相对于元素左上角的相对值
actions.move_to_element_with_offset(to_element = element, xoffset=200, yoffset = 50).perform()
# actions.move_to_element(to_element = element).perform()

#释放鼠标
actions.release(on_element = element).perform()
time.sleep(3)