21天Python学习——selenium自动化操作浏览器

最新推荐文章于 2024-05-14 11:00:23 发布

谷藿崽

最新推荐文章于 2024-05-14 11:00:23 发布

阅读量729

点赞数 2

分类专栏： python 文章标签： python

本文链接：https://blog.csdn.net/weixin_61344746/article/details/126456962

版权

python 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

活动地址：CSDN21天学习挑战赛

一、Selenium框架环境搭建

Selenium是一个用于测试Web应用程序的框架О，该框架测试直接在浏览器中运行，就像真实用户操作一样。在爬虫领域selenium同样是一把利器，能够解决大部分的网页的反爬问题。Selenium可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生。

1.下载安装模块 cmd 中输入pip install selenium

2.安装浏览器驱动WebDriver

Selenium库里有个叫WebDriver的API。WebDriver有点儿像可以加载网站的浏览器，但是它也可以像BeautifulSoup.或者其他Selector对象一样用来查找页面元素，与页面上的元素进行交互(发送文本、点击等)，以及执行其他动作。

Chrome浏览器驱动下载地址: http://chromedriver.storage.googleapis.com/index.html

Firefox浏览器驱动下载地址: https://github.com/mozilla/geckodriver/releases/

Edge浏览器驱动下载地址: : https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/#downloads

PhantomJS安装教程（无界面浏览器，它会把网站加载到内存并执行页面上的JavaScript，因为不会展示图形界面，所以运行起来比完整的浏览器要高效) : PhantomJS浏览器下载安装、配置环境变量及使用教程

注意:需要下对应浏览器版本的驱动，下载安装步骤如下:

1.确定浏览器的版本:

2.下载对应Chrome驱动版本:

3.选择合适的操作系统:

4.安装包解压后放进Python安装路径下:

二、基础操作

1.打开浏览器

操作Chrome浏览器:

from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Chrome()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

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

操作Firefox浏览器:

from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Firefox()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

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

操作Edge浏览器:

from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Edge()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

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

操作PhantomJS浏览器:

from selenium import webdriver

# 初始化浏览器
browser = webdriver.PhantomJS()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

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

from selenium import webdriver

# 初始化浏览器
browser = webdriver.PhantomJS()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

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

2.无界面模式

Headless模式是Chrome浏览器的无界面形态，可以在不打开浏览器的前提下，使用所有Chrome支持的特性运行我们的程序

from selenium import webdriver

# 1. 实例化配置对象
chrome_options = webdriver.ChromeOptions()
# 2. 配置对象添加开启无界面命令
chrome_options.add_argument('--headless')
# 3. 配置对象添加禁用gpu命令
chrome_options.add_argument('--disable-gpu')
# 4. 实例化带有配置对象的browser 对象
browser = webdriver.Chrome(chrome_options=chrome_options)

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

# 查看请求的数据
print(browser.page_source)  # 查看渲染后的数据，就可以Xpath进行解析获取数据了
print(browser.get_cookies())  # 查看请求页面后的cookies值
print(browser.current_url)  # 查看请求url

# 关闭页面
browser.close()
# 关闭浏览器
browser.quit()

3.元素定位

定位元素的其他方法

from selenium import webdriver
from selenium.webdriver.common.by import By

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
url = 'https://www.xxx.com/'
browser.get(url)
html_str = browser.page_source

假设访问地址某网址，返回html_str为如下内容:

<div class="panel">
    <div class="panel-heading">
        <h4>Hello</h4>
    </div>
    <div class="panel_body">
        <ul class="list" id="list-1" name="element">
            <li class="element">Foo</li>
            <li class="element">Bar</li>
            <li class="element">Jay</li>
        </ul>
        <ul class="list list-small" id="list-2">
            <li class="element">Foo</li>
                <a href="https://www.baidu.com">百度官网</a>
            <li class="element">Bar</li>
        </ul>
    </div>
</div>

1.根据id属性值获取元素列表:

from selenium.webdriver.common.by import By

# 获取第一个元素
browser.find_element(by=By.ID, value="list-1")
# 获取多个元素
browser.find_elements(by=By.ID, value="list-1")

2.根据class获取元素列表:

# 获取第一个元素
browser.find_element(by=By.CLASS_NAME, value="element")
# 获取多个元素
browser.find_elements(by=By.CLASS_NAME, value="element")

3.根据Xpath获取元素列表:

# 返回标签为li，id为element的所有元素
browser.find_element(by=By.XPATH, value="//li[@id='element']")
browser.find_elements(by=By.XPATH, value="//li[@id='element']")

4.根据标签的文本获取元素列表(精确定位):

# 获取一个元素
browser.find_element(by=By.LINK_TEXT, value="Foo")
# 获取多个元素
browser.find_elements(by=By.LINK_TEXT, value="Foo")

5.根据标签包含的文本获取元素列表(模糊定位):

# 获取一个元素
browser.find_element(by=By.PARTIAL_LINK_TEXT, value="Fo")
# 获取多个元素
browser.find_elements(by=By.PARTIAL_LINK_TEXT, value="Fo")

6.根据标签名获取元素列表:

# 获取一个元素
browser.find_element(by=By.TAG_NAME, value="li")
# 获取多个元素
browser.find_elements(by=By.TAG_NAME, value="li")

4.元素操作

1.获取文本:element.text

ret = browser.find_element_by_class_name('element')
print(ret[0].text)

2.获取属性值:

ret = browser.find_element_by_tag_name('a')
print(ret[0].get_attribute('href'))

5.前进后退

# 前进
browser.forward()

# 后退 
browser.back()

6.执行js

selenium可让浏览器执行:browser.execute_script(js)

from selenium import webdriver

browser = webdriver.Chrome()
url = 'https://www.baidu.com/'
browser.get(url)

js = 'window.scrol1To(O,document.body.scrollHeight)'  # js语句
browser.execute_script(js) # 执行js的方法

browser.quit()

7.页面等待

现在的网页越来越多采用了Ajax技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。

为了避免这种元素定位困难而且会提高产生ElementNotVisibleException的概率。所以Selenium提供了两种等待方式，一种是隐式等待，一种是显式等待。

隐式等待是等待特定的时间，显式等待是指定某一条件直到这个条件成立时继续执行。

隐式等待（常用)

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10秒
driver.get('https://www.baidu.com/')
myDynamicElement = driver.find_element_by_id("input")

显式等待(了解)

显式确定等待指定某个元素，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会抛出异常了。

from selenium import webdriver
from selenium.webdriver.common.by import By
# WebDriverWait 库，负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
# expected_conditions 类，负责条件出发
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()
driver.get('https://www.baidu.com/')
try:
    # 页面一直循环，直到 id="input" 出现
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "input"))
    )
finally:
    driver.quit()

三、进阶操作

1.使用代理ip

from selenium import webdriver
import time

# 1. 实例化配置对象
options = webdriver.ChromeOptions()
# 2. 配置对象添加使用代理ip的命令
options.add_argument('--proxy-server=http://ip地址')  # 代理IP:端口号
# 3. 实例化带有配置对象的driver对象
driver = webdriver.Chrome(chrome_options=options)
driver.get("https://www.baidu.com")

# 获取页面内容
print(driver.page_source)

# 延迟3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
driver.close()

2.修改请求头

用于伪装不同浏览器

from selenium import webdriver
import time

agent = 'Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (KHTML, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1'
# 1. 实例化配置对象
options = webdriver.ChromeOptions()
# 2. 配置对象修改请求头
options.add_argument('--user-agent=' + agent)
# 3. 实例化带有配置对象的driver对象
driver = webdriver.Chrome(chrome_options=options)
driver.get("https://www.baidu.com")

# 获取页面内容
print(driver.page_source)

# 延迟3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
driver.close()