爬虫08_selenium在爬虫中的应用

最新推荐文章于 2024-03-10 16:54:36 发布

我是那颗银弹

最新推荐文章于 2024-03-10 16:54:36 发布

阅读量524

点赞数 1

分类专栏：爬虫 python 编程文章标签： selenium python 基于selenium的爬虫 selenium动态加载捕获动态加载数据

本文链接：https://blog.csdn.net/qq_40272386/article/details/105582155

版权

python 同时被 3 个专栏收录

18 篇文章 0 订阅

订阅专栏

编程

16 篇文章 0 订阅

订阅专栏

爬虫

12 篇文章 1 订阅

订阅专栏

简介

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，另一个是为了解决Scrapy框架只能爬取静态数据不能爬取动态加载数据的问题，结合selenium完成动态加载数据的爬取，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

selenium可以实现所见即所得，尤其是在捕获动态加载数据时，而requests模块在使用过程中则不一定每次都能捕获，对于动态数据需要用抓包工具进行抓取，在处理一下ajax请求时

selenium的弊端是效率低，爬取速度慢，因为它是通过真实的打开浏览器，因此也不需要模仿设立UserAgent和cookie，在浏览器中发起真是的请求才请求到数据

环境安装

Mac OS下直接，下载安装selenium：pip install selenium
下载浏览器驱动程序：http://chromedriver.storage.googleapis.com/index.html
查看驱动和浏览器版本的映射关系：http://blog.csdn.net/huilan_same/article/details/51896672

简单使用/效果展示

selenium完成打开京东网站，输入“iPhone SE”，点击搜索，进入结果界面，滚轮向下滑动一个屏幕的高度（js注入，自己写的一段js代码）

from selenium import webdriver
from time import sleep

#如果驱动未配置环境变量，需要加上executable_path参数的值
driver = webdriver.Chrome(executable_path='./chromedriver')
#操作1：对目的网站发起请求
driver.get('http://www.jd.com')

sleep(3)

#操作2：标签定位
#方法：find_element_by_id和find_element_by_xpath
search_text = driver.find_element_by_xpath('//*[@id="key"]') #通过xpath定位到搜索框
search_text.send_keys('iPhone SE') #send_keys方法表示，向搜索框中输入关键字

sleep(2)

#操作3：点击操作
button = driver.find_element_by_xpath('//*[@id="search"]/div/div[2]/button')
button.click()

sleep(2)

#操作4：执行js操作，执行js代码（js注入window.scrollTo(0, document.body.scrollHeight)）
#在搜索界面进行滚轮滑动的操作
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')

# 关闭浏览器
sleep(3)
driver.quit()

百度设置，输入“美女”，打开第一个

from selenium import webdriver
from time import sleep

#如果驱动未配置环境变量，需要加上executable_path参数的值
driver = webdriver.Chrome(executable_path='./chromedriver')
#操作1：对目的网站发起请求
driver.get('https://www.baidu.com/')
sleep(2)

# 查找页面的“设置”选项，并进行点击
driver.find_elements_by_xpath('//*[@id="u1"]/a[9]')[0].click()
# # 打开设置后找到“搜索设置”选项，设置为每页显示50条
driver.find_elements_by_link_text('搜索设置')[0].click()
sleep(2)

# 选中每页显示50条
m = driver.find_element_by_id('nr')
sleep(2)
m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()
m.find_element_by_xpath('.//option[3]').click()
sleep(2)

# 点击保存设置
driver.find_elements_by_class_name("prefpanelgo")[0].click()
sleep(2)

# 处理弹出的警告页面   确定accept() 和 取消dismiss()
driver.switch_to_alert().accept()
sleep(2)
# 找到百度的输入框，并输入 美女
driver.find_element_by_id('kw').send_keys('美女')
sleep(2)
# 点击搜索按钮
driver.find_element_by_id('su').click()
sleep(2)
# 在打开的页面中找到“Selenium - 开源中国社区”，并打开这个页面
driver.find_elements_by_xpath('//*[@id="1"]/div[1]/a[1]/img')[0].click()
sleep(3)

# 关闭浏览器
sleep(3)
driver.quit()

如何使用selenium捕获动态加载的数据

药监总局为例：http://125.35.6.84:81/xk
将药监总局前三页的所有企业名称爬到
示例代码：

from selenium import webdriver
from lxml import etree
from time import sleep

url = 'http://125.35.6.84:81/xk/'
page_text_list = []#存放每一页的源码数据
driver = webdriver.Chrome(executable_path='./chromedriver')
driver.get(url)
sleep(2)

#捕获当前页面所对应的所有源码数据
page_text = driver.page_source #获取所有的数据包
page_text_list.append(page_text)

for i in range(2):
    #点击下一页
    next_page = driver.find_element_by_xpath('//*[@id="pageIto_next"]')
    next_page.click()
    sleep(1)
    page_text_list.append(driver.page_source)

for page_text in page_text_list:
    #进行数据解析
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//*[@id="gzlist"]/li')
    for li in li_list:
        #etree.xpath()返回时一个列表，因此无论是取属性值还是标签内容，需要用列表索引取值
        name = li.xpath('./dl/@title')[0]
        print(name)

sleep(2)
driver.quit()

基于selenium重写之前获取化妆品生产许可证详细信息，企业名称和法人代表

from selenium import webdriver
from lxml import etree
from time import sleep

url = 'http://125.35.6.84:81/xk/'
page_text_list = []#存放每一页的源码数据
driver = webdriver.Chrome(executable_path='./chromedriver')
driver.get(url)
sleep(2)

#捕获当前页面所对应的所有源码数据
page_text = driver.page_source #获取所有的数据包
page_text_list.append(page_text)

for i in range(2):
    #点击下一页
    next_page = driver.find_element_by_xpath('//*[@id="pageIto_next"]')
    next_page.click()
    sleep(1)
    page_text_list.append(driver.page_source)

for page_text in page_text_list:
    #进行数据解析
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//*[@id="gzlist"]/li')
    for li in li_list:
        #etree.xpath()返回时一个列表，因此无论是取属性值还是标签内容，需要用列表索引取值
        #name = li.xpath('./dl/@title')[0]
        #获取详情页的url
        new_url = li.xpath('./ol/a/@href')[0]
        driver.get(new_url)
        sleep(0.5)
        new_tree = etree.HTML(driver.page_source)
        name = new_tree.xpath('//*[@id="epsName"]/text()')[0]
        
        print(name)

sleep(2)
driver.quit()

常用操作查询

浏览器创建

Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等，还有Android、BlackBerry等手机端的浏览器。另外，也支持无界面浏览器PhantomJS。

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

元素定位

webdriver 提供了一系列的元素定位方法，常用的有以下几种：

find_element_by_id()
find_element_by_name()
find_element_by_class_name()
find_element_by_tag_name()
find_element_by_link_text()
find_element_by_partial_link_text()
find_element_by_xpath()
find_element_by_css_selector()

注意：

find_element_by_xxx找的是第一个符合条件的标签，find_elements_by_xxx找的是所有符合条件的标签。
根据ID、CSS选择器和XPath获取，它们返回的结果完全一致。
另外，Selenium还提供了通用方法find_element()，它需要传入两个参数：查找方式By和值。实际上，它就是find_element_by_id()这种方法的通用函数版本，比如find_element_by_id(id)就等价于find_element(By.ID, id)，二者得到的结果完全一致。

节点交互

Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法。示例如下：

from selenium import webdriver
import time
 
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')
input.send_keys('MAC')
time.sleep(1)
input.clear()
input.send_keys('IPhone')
button = browser.find_element_by_class_name('btn-search')
button.click()
browser.quit()

动作链

在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。

比如，现在实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处，可以这样实现：

from selenium import webdriver
from selenium.webdriver import ActionChains
import time
browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
sleep(1)
# 对于页面嵌套标签<iframe>，如果通过find系列的函数进行标签定位，如果标签存在于<iframe>下则定位失败
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css_selector('#draggable')
target = browser.find_element_by_css_selector('#droppable')

# 针对指定的浏览器，生成一个对应的动作链，实例化好一个动作链，和浏览器绑定
actions = ActionChains(browser)
# actions.drag_and_drop(source, target)
# actions.perform() #执行动作链
# 保持点击并且长按住click_and_hold
actions.click_and_hold(source)
time.sleep(3)
for i in range(5):
    actions.move_by_offset(xoffset=17,yoffset=0).perform() #执行动作链
    time.sleep(0.5)

actions.release()

执行JavaScript

对于某些操作，Selenium API并没有提供。比如，下拉进度条，它可以直接模拟运行JavaScript，此时使用execute_script()方法即可实现，代码如下：

from selenium import webdriver
 
browser = webdriver.Chrome()
browser.get('https://www.jd.com/')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("123")')

获取页面的源码数据

通过page_source属性可以获取网页的源代码，即当前页面全部加载完成后对应的所有源码数据（就是谷歌浏览器Elements栏目下的所有数据），而response.text只能获取某一个具体的数据包（就是谷歌浏览器Network栏目下的一个具体的数据包），接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery等）来提取信息了

page_text = driver.page_source

前进和后退

#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()

Cookie处理

使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。示例如下：

from selenium import webdriver
 
browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

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()

总结：

selenium捕获动态加载数据的步骤：

实例化一个浏览器对象
通过对象发请求
获取所有网页的源码数据
用etree进行xpath解析
用webdriver特有的交互方法，例如使用find_element_by_id或者find_element_by_xpath，进行动作交互，完成数据爬取
关闭浏览器

对于页面嵌套标签，如果通过find系列的函数进行标签定位，如果标签存在于下则定位失败，使用switch_to.frame(‘标签id属性值’)

etree.HTML(page_text).xpath(‘xpath路径’)无法定位包含的标签，应该将xpath路径中的tbody去掉，改成//

我是那颗银弹

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
爬虫08_selenium在爬虫中的应用

简介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，另一个是为了解决Scrapy框架只能爬取静态数据不能爬取动态加载数据的问题，结合selenium完成动态加载数据的爬取，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sele...
复制链接

扫一扫