selenium可以控制浏览器,做出自动打开、输入、点击等操作
使用selenium需要安装
pip install selenium # Windows电脑安装selenium
pip3 install selenium # Mac电脑安装selenium
一、浏览器驱动配置
selenium的脚本可以控制所有常见浏览器的操作,在使用之前,需要安装浏览器的驱动,推荐使用Chrome浏览器
将下载的chromedriver文件,放至python主目录下
配置环境变量
设置浏览器引擎 并运行检查配置结果:
from selenium import webdriver #从selenium库中调用webdriver模块
import time
driver = webdriver.Chrome() # 设置引擎为Chrome,真实地打开一个Chrome浏览器
driver.get('URL')
time.sleep(5)
driver.close() #关闭浏览器驱动
运行后,能自动打开谷歌浏览器,表示配置正常
二、解析与提取数据
selenium库具备解析数据、提取数据的能力,selenium解析提取的,是Elements中的所有数据
用selenium把网页打开,所有信息就都加载到了Elements那里,之后,就可以把动态网页用静态网页的方法爬取
selenium常用提取方法(提取多个,将element改为elements)
find_element_by_tag_name:通过元素的名称选择
# 如<h1>李白-静夜思</h1>
# 可以使用find_element_by_tag_name('h1')
find_element_by_class_name:通过元素的class属性选择
# 如<h1 class="title">李白-静夜思</h1>
# 可以使用find_element_by_class_name('title')
find_element_by_id:通过元素的id选择
# 如<h1 id="title">李白-静夜思</h1>
# 可以使用find_element_by_id('title')
find_element_by_name:通过元素的name属性选择
# 如<h1 name="hello">李白-静夜思</h1>
# 可以使用find_element_by_name('hello')
#以下两个方法可以提取出超链接
find_element_by_link_text:通过链接文本获取超链接
# 如<a href="spidermen.html">李白-静夜思</a>
# 可以使用find_element_by_link_text('李白-静夜思')
find_element_by_partial_link_text:通过链接的部分文本获取超链接
# 如<a href="https://baike.baidu.com/item/%E9%9D%99%E5%A4%9C%E6%80%9D/214">李白-静夜思</a>
# 可以使用find_element_by_partial_link_text('李白')
提取元素中的文本和属性名
h1 = driver.find_element_by_tag_name(‘h1’)
print(h1.text)
通过属性名提取属性的值
.get_attribute()
label = driver.find_element_by_class_name('x-treelist-item-text') # 根据类名找到元素
print(label.get_attribute('id')) # 获取type这个属性的值
打印结果:
用户管理
三、selenium获取,BeautifulSoup解析和提取
BeautifulSoup需要把字符串格式的网页源代码解析为BeautifulSoup对象,然后再从中提取数据,selenium可以获取到渲染完整的网页源代码
使用driver的一个方法:page_source
HTML源代码字符串 = driver.page_source
然后可使用html方式来获取数据,可参考:
Html网页爬虫(BeautifulSoup模块)
四、自动操作浏览器
爬虫中常用功能有,信息输入,点击确认按钮
.send_keys() # 模拟键盘输入
.click() # 点击元素
.clear() # 清除元素的内容
简单用户登录案例
label = driver.find_element_by_id('userId').send_keys('admin') # 输入用户名
label = driver.find_element_by_id('password').send_keys('123456') # 输入密码
label = driver.find_element_by_id('loginBtn').click() #点击登录