数据收集-selenium

介绍

Selenium是一个Web的自动化测试工具，最初是为网站自动化测试而开发的，Selenium 可以直接调用浏览器，它支持所有主流的浏览器（包括PhantomJS这些无界面的浏览器），可以接收指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏等。

chrome浏览器

在下载好chromedriver以及安装好selenium模块后

from selenium import webdriver 

# 如果driver没有添加到了环境变量，则需要将driver的绝对路径赋值给executable_path参数
# driver = webdriver.Chrome(executable_path='/home/worker/Desktop/driver/chromedriver')

# 如果driver添加了环境变量则不需要设置executable_path
driver = webdriver.Chrome()

# 向一个url发起请求
driver.get("http://www.baidu.cn/")

# 把网页保存为图片，69版本以上的谷歌浏览器将无法使用截图功能
# driver.save_screenshot("baidu.png")

print(driver.title) # 打印页面的标题

# 退出模拟浏览器
driver.quit() # 一定要退出！不退出会有残留进程！

phantomjs无界面浏览器

PhantomJS 是一个基于Webkit的“无界面”(headless)浏览器，它会把网站加载到内存并执行页面上的 JavaScript。下载地址：http://phantomjs.org/download.html

from selenium import webdriver 

# 指定driver的绝对路径
driver = webdriver.PhantomJS(executable_path='/home/worker/Desktop/driver/phantomjs') 
# driver = webdriver.Chrome(executable_path='/home/worker/Desktop/driver/chromedriver')

# 向一个url发起请求
driver.get("http://www.baidu.cn/")

# 把网页保存为图片
driver.save_screenshot("baidu.png")

# 退出模拟浏览器
driver.quit() # 一定要退出！不退出会有残留进程！

无头浏览器与有头浏览器

• 通常在开发过程中我们需要查看运行过程中的各种情况所以通常使用有头浏览器
• 在项目完成进行部署的时候，通常平台采用的系统都是服务器版的操作系统，服务器版的操作系统必须使用无头浏览器才能正常运行

作用和工作原理

利用浏览器原生的API，封装成一套更加面向对象的Selenium WebDriver API，直接操作浏览器页面里的元素，甚至操作浏览器本身.

• webdriver本质是一个web-server，对外提供webapi，其中封装了浏览器的各种功能
• 不同的浏览器使用各自不同的webdriver

安装

在python虚拟环境中安装selenium模块
pip/pip3 install selenium

下载版本符合的webdriver
以chrome谷歌浏览器为例

1. 查看谷歌浏览器的版本（帮助-关于）
2. 访问https://npm.taobao.org/mirrors/chromedriver，点击进入不同版本的chromedriver下载页面
3. 点击notes.txt进入版本说明页面
4. 查看chrome和chromedriver匹配的版本
5. 根据操作系统下载正确版本的chromedriver
6. 解压压缩包后获取python代码可以调用的谷歌浏览器的webdriver可执行文件
   • windows为chromedriver.exe
   • linux和macos为chromedriver
7. chromedriver环境的配置
   • windows环境下需要将 chromedriver.exe 所在的目录设置为path环境变量中的路径(复制在python/script目录下)
   • linux/mac环境下，将 chromedriver 所在的目录设置到系统的PATH环境值中

使用

import time
from selenium import webdriver

# 通过指定chromedriver的路径来实例化driver对象，chromedriver放在当前目录。
# driver = webdriver.Chrome(executable_path='./chromedriver')
# chromedriver已经添加环境变量
driver = webdriver.Chrome()

# 控制浏览器访问url地址
driver.get("https://www.baidu.com/")

# 在百度搜索框中搜索'python'
driver.find_element_by_id('kw').send_keys('python')
# 点击'百度搜索'
driver.find_element_by_id('su').click()

time.sleep(6)
# 退出浏览器
driver.quit()

• webdriver.Chrome(executable_path=’./chromedriver’)中executable参数指定的是下载好的chromedriver文件的路径
• driver.find_element_by_id(‘kw’).send_keys(‘python’)定位id属性值是’kw’的标签，并向其中输入字符串’python’
• driver.find_element_by_id(‘su’).click()定位id属性值是su的标签，并点击
  • click函数作用是：触发标签的js的click事件

提取数据

driver对象的常用属性和方法

实例化driver对象后，driver对象有一些常用的属性和方法

1. driver.page_source 当前标签页浏览器渲染之后的网页源代码
2. driver.current_url 当前标签页的url
3. driver.close() 关闭当前标签页，如果只有一个标签页则关闭整个浏览器
4. driver.quit() 关闭浏览器
5. driver.forward() 页面前进
6. driver.back() 页面后退
7. driver.save_screenshot(img_name) 页面截图
   保存网页快照，常用于验证是否运行或验证码截图

driver对象定位标签元素获取标签对象的方法

在selenium中可以通过多种方式来定位标签，返回标签元素对象

注意：

• find_element和find_elements的区别：
  • 多了个s就返回列表，没有s就返回匹配到的第一个标签对象
  • find_element匹配不到就抛出异常，find_elements匹配不到就返回空列表
• by_link_text和by_partial_link_tex的区别：全部文本和包含某个文本
• 以上函数的使用方法
  • driver.find_element_by_id(‘id_str’)

标签对象提取文本内容和属性值

find_element仅仅能够获取元素，不能够直接获取其中的数据，如果需要获取数据需要使用以下方法

• 对元素执行点击操作element.click()
  • 对定位到的标签对象进行点击操作
• 向输入框输入数据element.send_keys(data)
  • 对定位到的标签对象输入数据
• 获取文本element.text
  • 通过定位获取的标签对象的text属性，获取文本内容
• 获取属性值element.get_attribute(“属性名”)
  • 通过定位获取的标签对象的get_attribute函数，传入属性名，来获取属性的值

from selenium import webdriver

driver = webdriver.Chrome()

driver.get('http://www.itcast.cn/')

ret = driver.find_elements_by_tag_name('h2')
print(ret[0].text) # 

ret = driver.find_elements_by_link_text('黑马程序员')
print(ret[0].get_attribute('href'))

driver.quit()

标签页的切换

当selenium控制浏览器打开多个标签页时

• 获取所有标签页的窗口句柄
• 利用窗口句柄字切换到句柄指向的标签页
  • 这里的窗口句柄是指：指向标签页对象的标识

# 1. 获取当前所有的标签页的句柄构成的列表
current_windows = driver.window_handles

# 2. 根据标签页句柄列表索引下标进行切换
driver.switch_to.window(current_windows[0])

import time
from selenium import webdriver

driver = webdriver.Chrome()
driver.get("https://www.baidu.com/")

time.sleep(1)
driver.find_element_by_id('kw').send_keys('python')
time.sleep(1)
driver.find_element_by_id('su').click()
time.sleep(1)

# 通过执行js来新开一个标签页
js = 'window.open("https://www.sogou.com");'
driver.execute_script(js)
time.sleep(1)

# 1. 获取当前所有的窗口
windows = driver.window_handles

time.sleep(2)
# 2. 根据窗口索引进行切换
driver.switch_to.window(windows[0])
time.sleep(2)
driver.switch_to.window(windows[1])

time.sleep(6)
driver.quit()

switch_to切换frame标签

iframe是html中常用的一种技术，即一个页面中嵌套了另一个网页，selenium默认是访问不了frame中的内容的，对应的解决思路是driver.switch_to.frame(frame_element)。

# qq邮箱模拟登陆
import time
from selenium import webdriver
driver = webdriver.Chrome()
url = 'https://mail.qq.com/cgi-bin/loginpage'
driver.get(url)
time.sleep(2)

login_frame = driver.find_element_by_id('login_frame') # 根据id定位 frame元素
driver.switch_to.frame(login_frame) # 转向到该frame中

driver.find_element_by_xpath('//*[@id="u"]').send_keys('1596930226@qq.com')
time.sleep(2)

driver.find_element_by_xpath('//*[@id="p"]').send_keys('hahamimashicuode')
time.sleep(2)

driver.find_element_by_xpath('//*[@id="login_button"]').click()
time.sleep(2)

"""操作frame外边的元素需要切换出去"""
windows = driver.window_handles
driver.switch_to.window(windows[0])
content = driver.find_element_by_class_name('login_pictures_title').text
print(content)

driver.quit()

• 总结：
  • 切换到定位的frame标签嵌套的页面中
    • driver.switch_to.frame(通过find_element_by函数定位的frame、iframe标签对象)
  • 利用切换标签页的方式切出frame标签

    • windows = driver.window_handles
      driver.switch_to.window(windows[0])
      

---

对cookie的处理

获取cookie

driver.get_cookies()返回列表，其中包含的是完整的cookie信息！有name、value，domain等cookie其他维度的信息。需要转换为name、value作为键值对的cookie字典

# 获取当前标签页的全部cookie信息
print(driver.get_cookies())
# 把cookie转化为字典
cookies_dict = {cookie[‘name’]: cookie[‘value’] for cookie in driver.get_cookies()}

删除cookie

#删除一条cookie
driver.delete_cookie("CookieName")

# 删除所有的cookie
driver.delete_all_cookies()

控制浏览器执行js代码

import time
from selenium import webdriver

driver = webdriver.Chrome()
driver.get("http://www.itcast.cn/")
time.sleep(1)

js = 'window.scrollTo(0,document.body.scrollHeight)' # js语句
driver.execute_script(js) # 执行js的方法

time.sleep(5)
driver.quit()

执行js的方法：driver.execute_script(js)

页面等待

页面等待的分类

1. 强制等待
2. 隐式等待
3. 显式等待

强制等待（了解）

• 其实就是time.sleep()
• 缺点时不智能，设置的时间太短，元素还没有加载出来；设置的时间太长，则会浪费时间

隐式等待

• 隐式等待针对的是元素定位，隐式等待设置了一个时间，在一段时间内判断元素是否定位成功，如果完成了，就进行下一步
• 在设置的时间内没有定位成功，则会报超时加载

from selenium import webdriver
driver = webdriver.Chrome()  

driver.implicitly_wait(10) # 隐式等待，最长等20秒  

driver.get('https://www.baidu.com')
driver.find_element_by_xpath()

显式等待（了解）

• 每经过多少秒就查看一次等待条件是否达成，如果达成就停止等待，继续执行后续代码
• 如果没有达成就继续等待直到超过规定的时间后，报超时异常

from selenium import webdriver  
from selenium.webdriver.support.wait import WebDriverWait  
from selenium.webdriver.support import expected_conditions as EC  
from selenium.webdriver.common.by import By 

driver = webdriver.Chrome()

driver.get('https://www.baidu.com')

# 显式等待
WebDriverWait(driver, 20, 0.5).until(
    EC.presence_of_element_located((By.LINK_TEXT, '好123')))  
# 参数20表示最长等待20秒
# 参数0.5表示0.5秒检查一次规定的标签是否存在
# EC.presence_of_element_located((By.LINK_TEXT, '好123')) 表示通过链接文本内容定位标签
# 每0.5秒一次检查，通过链接文本内容定位标签是否存在，如果存在就向下继续执行；如果不存在，直到20秒上限就抛出异常

print(driver.find_element_by_link_text('好123').get_attribute('href'))
driver.quit() 

手动实现页面等待

原理：

• 利用强制等待和显式等待的思路来手动实现
• 不停的判断或有次数限制的判断某一个标签对象是否加载完毕（是否存在）

import time
from selenium import webdriver
driver = webdriver.Chrome('/home/worker/Desktop/driver/chromedriver')

driver.get('https://www.taobao.com/')
time.sleep(1)

# i = 0
# while True:
for i in range(10):
    i += 1
    try:
        time.sleep(3)
        element = driver.find_element_by_xpath('//div[@class="shop-inner"]/h3[1]/a')
        print(element.get_attribute('href'))
        break
    except:
        js = 'window.scrollTo(0, {})'.format(i*500) # js语句
        driver.execute_script(js) # 执行js的方法
driver.quit()

开启无界面模式

无界面模式（又称之为无头模式）

• 开启无界面模式的方法
  • 实例化配置对象
    • options = webdriver.ChromeOptions()
  • 配置对象添加开启无界面模式的命令
    • options.add_argument("–headless")
  • 配置对象添加禁用gpu的命令
    • options.add_argument("–disable-gpu")
  • 实例化带有配置对象的driver对象
    • driver = webdriver.Chrome(chrome_options=options)
• 注意：macos中chrome浏览器59+版本，Linux中57+版本才能使用无界面模式！

from selenium import webdriver

options = webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument("--headless") # 开启无界面模式
options.add_argument("--disable-gpu") # 禁用gpu

# options.set_headles() # 无界面模式的另外一种开启方式
driver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象

driver.get('http://www.itcast.cn')
print(driver.title)
driver.quit()

使用代理ip

使用代理ip的方法

• 实例化配置对象
  • options = webdriver.ChromeOptions()
• 配置对象添加使用代理ip的命令
  • options.add_argument(’–proxy-server=http://202.20.16.82:9527’)
• 实例化带有配置对象的driver对象
  • driver = webdriver.Chrome(’./chromedriver’, chrome_options=options)

from selenium import webdriver

options = webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument('--proxy-server=http://202.20.16.82:9527') # 使用代理ip

driver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象

driver.get('http://www.itcast.cn')
print(driver.title)
driver.quit()

替换user-agent

替换user-agent的方法

• 实例化配置对象
  • options = webdriver.ChromeOptions()
• 配置对象添加替换UA的命令
  • options.add_argument(’–user-agent=Mozilla/5.0 HAHA’)
• 实例化带有配置对象的driver对象
  • driver = webdriver.Chrome(’./chromedriver’, chrome_options=options)

from selenium import webdriver

options = webdriver.ChromeOptions() # 创建一个配置对象
options.add_argument('--user-agent=Mozilla/5.0 HAHA') # 替换User-Agent

driver = webdriver.Chrome('./chromedriver', chrome_options=options)

driver.get('http://www.itcast.cn')
print(driver.title)
driver.quit()