05 爬虫请求库之selenium库

一. 介绍

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

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

官网: https://selenium-python.readthedocs.io

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()
browser = webdriver.Edge()

二. 安装

1. 有界面浏览器

1) 安装：selenium

pip3 install selenium

2) 安装: chromedriver

版本注意: 下载 chromdriver.exe放到python安装路径的scripts目录中, 版本需要等于 或者 小于你正常使用的浏览器.

国内镜像网站地址：http://npm.taobao.org/mirrors/chromedriver/2.38/
最新的版本去官网: https://sites.google.com/a/chromium.org/chromedriver/downloads

3) 验证安装

C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from selenium import webdriver
>>> driver=webdriver.Chrome() #弹出浏览器
>>> driver.get('https://www.baidu.com')
>>> driver.page_source

4) 关于selenium3对Firfox支持的webdriver有所不同

注意: selenium3默认支持的webdriver是Firfox，而Firefox需要安装geckodriver

下载链接：https://github.com/mozilla/geckodriver/releases

2. 无界面浏览器

1) 安装：selenium

pip3 install selenium  

2) 安装：phantomjs

提示: PphantomJS不再跟新

下载：http://phantomjs.org/download.html

3) 验证安装

C:\Users\Administrator>phantomjs
phantomjs> console.log('egon gaga')
egon gaga
undefined
phantomjs> ^C
C:\Users\Administrator>python3
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from selenium import webdriver
>>> driver=webdriver.PhantomJS() #无界面浏览器
>>> driver.get('https://www.baidu.com')
>>> driver.page_source
selenium+phantomjs

4) selenuum加谷歌浏览器的headless模式

在PhantomJS年久失修,后继无人的节骨眼, Chrome出来救场,再次成为了反爬虫Team的噩梦
自Google发布chrome 59 / 60正式版开始便支持Headless mode, 这意味着在无GUI环境下，PhantomJS不再是唯一选择

# selenium: 3.12.0
# webdriver:2.38
# chrome.exe: 65.0.3325.181（正式版本） （32 位）

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('window-size=1920x1080')       # 指定浏览器分辨率
chrome_options.add_argument('--disable-gpu')               # 谷歌文档提到需要加上这个属性来规避bug
chrome_options.add_argument('--hide-scrollbars')           # 隐藏滚动条, 应对一些特殊页面
chrome_options.add_argument('blink-settings=imagesEnabled=false')  # 不加载图片, 提升速度
chrome_options.add_argument('--headless')                 # 浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败
# chrome_options.binary_location = r"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe"           # 手动指定使用的浏览器位置

driver = webdriver.Chrome(chrome_options=chrome_options)

try:
    driver.get('https://www.cnblogs.com/yang1333/')
    print('爬虫' in driver.page_source)  # True

finally:
    driver.close()  # 切记关闭浏览器，回收资源

三. 基本使用

'''
browser.page_source      获取当前页面内容
browser.current_url      获取当前url
browser.get_cookies      获取当前cookies

from selenium.webdriver.common.keys import Keys
tag.send_keys(Key.ENTER)  回车键
'''
from selenium import webdriver
from selenium.webdriver.common.keys import Keys  # 键盘按键操作

browser = webdriver.Chrome()
browser.implicitly_wait(10)
try:
    browser.get('https://www.baidu.com')

    input_tag = browser.find_element_by_id('kw')
    input_tag.send_keys('美女')       # python2中输入中文错误，字符串前加个u
    input_tag.send_keys(Keys.ENTER)  # 输入回车

    browser.find_element_by_id('content_left')

    print(browser.page_source)
    print(browser.current_url)
    print(browser.get_cookies())

finally:
    browser.close()

四. 等待元素被加载

# 介绍: 
	seleni um只是模拟浏览器的行为，而浏览器解析页面是需要时间的(执行css，js)，
    一些元素 可能需要过一段时间才能加载出来，为了保证能查找到元素，必须等待

# 等待的方式分两种: 
    隐式等待: 在browser.get ('xxx') 前就设置，针对所有元素有效
        browser.implicitly_wait(等待时间)
    显式等待: 在browser.get ('xxx') 之后设置，只针对某个元素有效

1. 隐士等待

import time
from selenium import webdriver

browser = webdriver.Chrome()
try:
    browser.implicitly_wait(5)  # 隐士等待
    browser.get('https://www.baidu.com')

    # 找到登录按钮, 并点击
    login_tag = browser.find_element_by_link_text('登录')
    login_tag.click()

    # 找到使用用户名登录, 并点击
    login_method_tag = browser.find_element_by_id('TANGRAM__PSP_11__footerULoginBtn')
    login_method_tag.click()

    # 找到用户名和密码输入框, 输入用户名, 密码. 点击登录
    time.sleep(2)
    username_tag = browser.find_element_by_id('TANGRAM__PSP_11__userName')
    password_tag = browser.find_element_by_id('TANGRAM__PSP_11__password')
    username_tag.send_keys('用户名')
    password_tag.send_keys('用户密码')
    login_tag = browser.find_element_by_id('TANGRAM__PSP_11__submit')
    login_tag.click()
    time.sleep(2)

    print(browser.get_cookies())
finally:
    browser.close()  #  注意: 一定要关闭

2. 显示等待

from selenium import webdriver
from selenium.webdriver.common.by import By  # 按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素

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

    input_tag = browser.find_element_by_id('kw')
    input_tag.send_keys('美女')
    input_tag.send_keys(Keys.ENTER)

    # 显式等待：显式地等待某个元素被加载
    wait = WebDriverWait(browser, 10)
    wait.until(EC.presence_of_element_located((By.ID, 'content_left')))

    contents = browser.find_element(By.CSS_SELECTOR, '#content_left')
    print(contents)
finally:
    browser.close()

五. 选择器

官网链接：http://selenium-python.readthedocs.io/locating-elements.html

1、find_element_by_id                    # 通过id查找控件
2、find_element_by_link_text             # 通过a标签内容找
3、find_element_by_partial_link_text     # 通过a标签内容找，模糊匹配
4、find_element_by_tag_name              # 标签名
5、find_element_by_class_name            # 类名
6、find_element_by_name                  # name属性
7、find_element_by_css_selector          # 通过css选择器
8、find_element_by_xpath                 # 通过xpaht选择器

补充: find_elements_by_xxx的形式是查找到多个元素，结果为列表

六. 获取元素属性

'''
tag.get_attribute('href')  # 找当前控件 的href属性对的值
tag.text                   # 获取文本内容

print(tag.id)              # 当前控件id号
print(tag.location)        # 当前控件在页面位置
print(tag.tag_name)        # 标签名
print(tag.size)            # 标签的大小
'''
from selenium import webdriver


browser = webdriver.Chrome()

try:
    browser.implicitly_wait(10)
    browser.get('https://www.cnblogs.com//')

    tag = browser.find_element_by_class_name('post-item-title')

    # 获取标签属性，
    print(tag.get_attribute('href'))  # https://www.cnblogs.com/cafuc20160512056/p/13440771.html
    print(tag.text)      # 求解最长递增子序列（LIS） | 动态规划（DP）+ 二分法

    # 获取标签ID，位置，名称，大小（了解）
    print(tag.id)        # ab9310c1-68c4-49a1-8a5d-903b3fb760e4
    print(tag.location)  # {'x': 242, 'y': 166}
    print(tag.tag_name)  # a
    print(tag.size)      # {'height': 50, 'width': 345}
finally:
    browser.close()

七. 元素交互

1. 执行元素

'''
tag.send_keys()  # 往里面写内容
tag.click()      # 点击控件
tag.clear()      # 清空控件内容
'''
import time
from selenium import webdriver

browser = webdriver.Chrome()
try:
    browser.implicitly_wait(10)
    browser.get('https://www.amazon.cn/')

    input_tag = browser.find_element_by_id('twotabsearchtextbox')
    input_tag.send_keys('iphone 8')     # 往里面写内容
    button = browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
    button.click()     # 点击控件

    time.sleep(3)

    input_tag = browser.find_element_by_id('twotabsearchtextbox')
    input_tag.clear()  # 清空输入框
    input_tag.send_keys('iphone7plus')  # 往里面写内容
    button = browser.find_element_by_css_selector('#nav-search > form > div.nav-right > div > input')
    button.click()    # 点击控件
finally:
    browser.close()

2. 执行js

1) 基本命令

'''
brower.execute_script('js代码')
'''
from selenium import webdriver
import time

browser = webdriver.Chrome()
try:
    browser.implicitly_wait(5)
    browser.get('https://www.baidu.com/')

    browser.execute_script('window.open()')  # 新建窗口打开页面
    browser.execute_script('window.open()')  # 新建窗口打开页面
    time.sleep(2)
except:
    browser.close()

2) 如何让浏览器滚动条滑到底部

browser.execute_script('window.scrollTo(0, dowument.body.offsetHeight)')

3) 更改标签的属性值

from selenium import webdriver
import unittest


def addAttribute(driver, elementobj, attributeName, value):
    '''
    封装向页面标签添加新属性的方法
    调用JS给页面标签添加新属性，arguments[0]~arguments[2]分别
    会用后面的element，attributeName和value参数进行替换
    添加新属性的JS代码语法为：element.attributeName=value
    比如input.name='test'
    '''
    driver.execute_script("arguments[0].%s=arguments[1]" % attributeName, elementobj, value)


def setAttribute(driver, elementobj, attributeName, value):
    '''
    封装设置页面对象的属性值的方法
    调用JS代码修改页面元素的属性值，arguments[0]~arguments[1]分别
    会用后面的element，attributeName和value参数进行替换
    '''
    driver.execute_script("arguments[0].setAttribute(arguments[1],arguments[2])", elementobj, attributeName, value)


def getAttribute(elementobj, attributeName):
    # 封装获取页面对象的属性值方法
    return elementobj.get_attribute(attributeName)


def removeAttribute(driver, elementobj, attributeName):
    '''
    封装删除页面属性的方法
    调用JS代码删除页面元素的指定的属性，arguments[0]~arguments[1]分别
    会用后面的element，attributeName参数进行替换
    '''
    driver.execute_script("arguments[0].removeAttribute(arguments[1])",
                          elementobj, attributeName)


class TestDemo(unittest.TestCase):
    def setUp(self):
        self.driver = webdriver.Chrome()

    def test_dataPicker(self):
        url = "D:\PycharmProjects\zouzou\dom.html"
        self.driver.get(url)
        element = self.driver.find_element_by_xpath('//input')

        # 向页面文本框input标签中添加新属性name='search'
        addAttribute(self.driver, element, 'name', 'search')
        # 添加新属性后，查看一下新属性值
        print('添加的新属性值%s="%s"' % ("name", getAttribute(element, "name")))

        print('更改文本框中内容前的value的值：', getAttribute(element, 'value'))
        # 更改value的属性值为“这是更改后的值”
        setAttribute(self.driver, element, 'value', '这是更改后的值')
        print('更改后value的值为：', getAttribute(element, 'value'))

        # 查看更改前input页面元素中size属性值
        print('更改前size的属性值为：', getAttribute(element, 'size'))
        # 更改input的属性值为20
        setAttribute(self.driver, element, 'size', 20)
        print('更改后size的属性值为：', getAttribute(element, 'size'))

        # 查看删除input页面元素value属性前的值
        print('删除前文本框value的值：', getAttribute(element, 'value'))
        # 删除属性值
        removeAttribute(self.driver, element, 'value')
        print('删除后文本框value的值：', getAttribute(element, 'value'))


if __name__ == '__main__':
    unittest.main()

参考: https://www.cnblogs.com/zouzou-busy/p/11285732.html

3. 执行DOM：模拟浏览器前进后退

'''
browser.back()      # 回退到上一页
browser.forward()   # 前进到下一页
'''
from selenium import webdriver
import time

browser = webdriver.Chrome()
try:
    browser.get('https://www.taobao.com/')
    browser.get('http://www.sina.com.cn/')

    browser.back()      # 回退到上一页
    time.sleep(1)
    browser.forward()   # 前进到下一页
finally:
    browser.close()

八. cookies

'''
browser.get_cookies()            获取所有的cookie
browser.get_cookie(name)         获取指定的某一个cookie值
browser.add_cookie(cookie_dict)  添加指定的cooke
browser.delete_cookie(name)      删除某一个cookie
browser.delete_all_cookies()     删除所有的cookie
'''
from selenium import webdriver

browser = webdriver.Chrome()

try:
    browser.get('https://www.zhihu.com/explore/')
    print(browser.get_cookies())
    browser.add_cookie({'k1': 'xxx', 'k2': 'yyy'})
    print(browser.get_cookies())
    browser.delete_all_cookies()

finally:
    browser.close()

九. 选项卡管理

选项卡管理：切换选项卡，有js的方式windows.open,有windows快捷键：ctrl+t等，最通用的就是js的方式

import time
from selenium import webdriver

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

try:
    browser.execute_script('window.open()')
    print(browser.window_handles)  # 获取所有的选项卡

    browser.switch_to_window(browser.window_handles[1])  # 切换到选择卡1执行get操作
    browser.get('https://www.taobao.com')
    time.sleep(3)
    browser.switch_to_window(browser.window_handles[0])  # 切换到选项卡0执行get操作
    browser.get('https://www.sina.com.cn')
finally:
    browser.close()

十. 异常处理

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException, NoSuchFrameException

browser = webdriver.Chrome()
try:
    browser.get('')
except Exception as e:
    print(e)
finally:
    # 无论是否出异常，最终都要关掉
    browser.close()

十一. 动作链frame

1. 介绍

# frame相当于一个单独的网页，在父frame里是无法直接查看到子frame的元素的，必须switch_to_frame切到该frame下，才能进一步查找
'''
browser.switch_to.frame('iframeResult')  # 切换到id为iframeResult的frame
browser.switch_to.parent_frame()         # 切回父frame
'''

from selenium import webdriver

browser = webdriver.Chrome()
try:
    browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')

    browser.switch_to.frame('iframeResult')  # 切换到id为iframeResult的frame

    tag1 = browser.find_element_by_id('droppable')
    print(tag1)

    # tag2 = browser.find_element_by_id('textareaCode') # 报错，在子frame里无法查看到父frame的元素
    browser.switch_to.parent_frame()  # 切回父frame,就可以查找到了
    tag2 = browser.find_element_by_id('textareaCode')
    print(tag2)

finally:
    browser.close()

2. selenium之frame操作

问题: 很多时候定位元素时候总是提示元素定位不到的问题, 然而明明元素就在那里.

解决: 注你所定位的元素是否在frame和iframe里面

frame标签包含frameset、frame、iframe三种，frameset和普通的标签一样，不会影响正常的定位，而iframe和frame需要进行一些特殊的处理

1) 切到frame中: switch_to.frame()

# 示例
<body>
<iframe src="a.html" ></iframe>
</body>

# 获取
from selenium import webdriver

driver = webdriver.Chrome()
driver.switch_to.frame(0)            # 1.用frame的index来定位，第一个是0
# driver.switch_to.frame("frame1")   # 2.用id来定位
# driver.switch_to.frame("myframe")  # 3.用name来定位
# driver.switch_to.frame(driver.find_element_by_tag_name("iframe"))  # 4.用WebElement对象来定位

2) 从frame中切回主文档: switch_to.default_content()

driver.switch_to.default_content()

3) 嵌套frame: switch_to.parent_frame()

# 示例
<html>
    <iframe >
        <iframe  / >
    </iframe>
</html>

# 获取: 从主文档切到frame2，一层层切进去
driver.switch_to.frame("frame1")
driver.switch_to.frame("frame2")