selenium除了可用于web的单元测试之外,用来做数据抓取也是一个很好的工具,对于数据由复杂的AJAX调用加载的网页,直接调用浏览器渲染是开发效率最高的方式。python调用它的文档也很详细。
单机版的selenium安装简单,python调用也很简单:
from selenium import webdriver
browser= webdriver.Firefox()
browser.get('https://www.google.com.sg/')
print browser.find_element_by_id('lga')
browser.close()
browser.quit()
selenium grid是一个更高级的服务。可以将多个单机连接成网络,并发的提供浏览器渲染的功能。浏览本页文档即可完成配置。简单来说就是如下三步:
- 下载jar包 (Selenium Standalone Server)
- 启动hub: java -jar selenium-server-standalone-2.44.0.jar -role hub
- 启动node: java -jar selenium-server-standalone-2.44.0.jar -role node -hub http://localhost:4444/grid/register
调用方法就是WebDriver的的类型初始化参数有变:
from selenium.webdriver.remote.webdriver import WebDriver
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
browser = WebDriver(command_executor='http://127.0.0.1:4444/wd/hub',
desired_capabilities=DesiredCapabilities.FIREFOX)
browser.get('https://www.google.com.sg/')
print browser.find_element_by_id('lga')
browser.close()
browser.quit()
另外,可以通过自定义sevelet来在外层包装出日志、代理等功能,详情可见文档。