爬虫08_selenium在爬虫中的应用

╰半橙微兮° 2023-05-21 15:20 2阅读 0赞

### 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：

1.  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。
2.  根据ID、CSS选择器和XPath获取，它们返回的结果完全一致。
3.  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//