正文
在linux和windows中使用selenium
小程序：扫一扫查出行【扫一扫了解最新限行尾号】
复制小程序
在linux和windows中使用selenium
一. selenium（浏览的人你们多大呀？是AI?）
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
1. 环境安装
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
2. 编码流程
- 导包: from selenium import webdriver
- 实例化某一款浏览器对象
- 制定相关的行为动作
3. 简单使用/效果展示
from selenium import webdriver
from time import sleep# 后面是你的浏览器驱动位置，记得前面加r'','r'是防止字符转义的
driver = webdriver.Chrome(r'./chromedriver.exe')
# 用get打开百度页面
driver.get("http://www.baidu.com")
# 查找页面的“设置”选项，并进行点击
driver.find_elements_by_link_text('设置')[0].click()
sleep(2)
# # 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_link_text('美女_百度图片')[0].click()
sleep(3)# 关闭浏览器
driver.quit()
import time
from selenium import webdriverbro = webdriver.Chrome(executable_path="./chromedriver.exe")
bro.get("https://www.baidu.com")
time.sleep(2)# 标签定位
kw = bro.find_element_by_id('kw')
kw.send_keys("汽车")
time.sleep(2)btn = bro.find_element_by_id("su")
btn.click()
time.sleep(2)bro.close()
展示百度搜索
import time
from selenium import webdriverbro = webdriver.Chrome(executable_path="./chromedriver.exe")
bro.get('https://xueqiu.com')
time.sleep(5)# 执行js实现滚轮向下滑动
js = 'window.scrollTo(0,document.body.scrollHeight)'
bro.execute_script(js)
time.sleep(2)
bro.execute_script(js)
time.sleep(2)
bro.execute_script(js)
time.sleep(2)
bro.execute_script(js)
time.sleep(2)a_tag = bro.find_element_by_xpath('//*[@id="app"]/div[3]/div/div[1]/div[3]/div[2]/a')
a_tag.click()
time.sleep(5)# 获取当前浏览器页面数据
print(bro.page_source)bro.quit()
雪球网加载更多数据
4. 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 webdriverbrowser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()
5. 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。
6. 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 timebrowser = 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()
7. 获取页面源码数据
通过page_source属性可以获取网页的源代码，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。
import time
from selenium import webdriverbro = webdriver.Chrome(executable_path="./chromedriver.exe")
bro.get('https://xueqiu.com')
time.sleep(5)# 使用bro对象的page_source方法获取当前浏览器页面数据
print(bro.page_source)bro.quit()
8. 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 webdriverbrowser = webdriver.Chrome()
browser.get('https://www.jd.com/')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("123")')
9. phantomJS
PhantomJS是一款无界面的浏览器，其自动化操作流程和上述操作谷歌浏览器是一致的。由于是无界面的，为了能够展示自动化操作流程，PhantomJS为用户提供了一个截屏的功能，使用save_screenshot函数实现。
from selenium import webdriver
import time# phantomjs路径
path = r'PhantomJS驱动路径'
browser = webdriver.PhantomJS(path)# 打开百度
url = 'http://www.baidu.com/'
browser.get(url)time.sleep(3)browser.save_screenshot(r'phantomjs\baidu.png')# 查找input输入框
my_input = browser.find_element_by_id('kw')
# 往框里面写文字
my_input.send_keys('美女')
time.sleep(3)
#截屏
browser.save_screenshot(r'phantomjs\meinv.png')# 查找搜索按钮
button = browser.find_elements_by_class_name('s_btn')[0]
button.click()time.sleep(3)browser.save_screenshot(r'phantomjs\show.png')time.sleep(3)browser.quit()
10. 谷歌无头浏览器
由于PhantomJs最近已经停止了更新和维护，所以推荐大家可以使用谷歌的无头浏览器，是一款无界面的谷歌浏览器。
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time# 创建一个参数对象，用来控制chrome以无界面模式打开
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 驱动路径
path = r'C:\Users\ZBLi\Desktop\1801\day05\ziliao\chromedriver.exe'# 创建浏览器对象
browser = webdriver.Chrome(executable_path=path, chrome_options=chrome_options)# 上网
url = 'http://www.baidu.com/'
browser.get(url)
time.sleep(3)browser.save_screenshot('baidu.png')browser.quit()
11. 前进和后退
# 模拟浏览器的前进后退
import time
from selenium import webdriverbrowser=webdriver.Chrome(executable_path='./chromedriver.exe')
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.get('http://www.jd.com/')browser.back() # 后退
time.sleep(3)
browser.forward() # 前进
browser.close()
12. 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：
# 动作链
import time
from selenium import webdriver
from selenium.webdriver import ActionChains # 动作链
from selenium.webdriver import ChromeOptionsbro = webdriver.Chrome(executable_path='./chromedriver.exe')
url = "http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"
bro.get(url=url)# 如果定位的标签存在于iframe标签之中, 则必须经过switch_to操作再进行标签定位
bro.switch_to.frame("iframeResult")
source_tag = bro.find_element_by_id('draggable')# 实例化一个动作链对象
action = ActionChains(bro)
action.click_and_hold(source_tag) # 点击并保持(长按)for i in range(4):
action.move_by_offset(20,0) # 移动象素
time.sleep(1)# 使用perform()方法执行动作链
action.perform()bro.quit()
# 动作链
import time
from selenium import webdriver
from selenium.webdriver import ActionChains # 动作链
from selenium.webdriver import ChromeOptionsbro = webdriver.Chrome(executable_path='./chromedriver.exe')
url = "http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable"
bro.get(url=url)# 如果定位的标签存在于iframe标签之中, 则必须经过switch_to操作再进行标签定位
bro.switch_to.frame("iframeResult")
source_tag = bro.find_element_by_id('draggable')
target_tag = bro.find_element_by_id('droppable')# 实例化一个动作链对象
action = ActionChains(bro)
action.click_and_hold(source_tag)
time.sleep(1)for i in range(0, 5):
action.move_by_offset(20, 0)
action.drag_and_drop(source_tag, target_tag)# 表示开始执行动作链
action.perform()
time.sleep(2)bro.quit()
完整的拖拽操作
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 webdriverbrowser = 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,NoSuchFrameExceptiontry:
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()
三 selenium相关案例登录qq空间，爬取数据
import requests
from selenium import webdriver
from lxml import etree
import timedriver = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver')
driver.get('https://qzone.qq.com/')
#在web 应用中经常会遇到frame 嵌套页面的应用，使用WebDriver 每次只能在一个页面上识别元素，对于frame 嵌套内的页面上的元
素，直接定位是定位是定位不到的。这个时候就需要通过switch_to_frame()方法将当前定位的主体切换了frame 里。
driver.switch_to.frame('login_frame')
driver.find_element_by_id('switcher_plogin').click()#driver.find_element_by_id('u').clear()
driver.find_element_by_id('u').send_keys('328410948') #这里填写你的QQ号
#driver.find_element_by_id('p').clear()
driver.find_element_by_id('p').send_keys('xxxxxx') #这里填写你的QQ密码driver.find_element_by_id('login_button').click()
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
page_text = driver.page_sourcetree = etree.HTML(page_text)
#执行解析操作
li_list = tree.xpath('//ul[@id="feed_friend_list"]/li')
for li in li_list:
text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()')
text = ''.join(text_list)
print(text+'\n\n\n')driver.close()
尽可能多的爬取豆瓣网中的电影信息
from selenium import webdriver
from time import sleep
import timeif __name__ == '__main__':
url = 'https://movie.douban.com/typerank?type_name=%E6%81%90%E6%80%96&type=20&interval_id=100:90&action='
# 发起请求前，可以让url表示的页面动态加载出更多的数据
path = r'C:\Users\Administrator\Desktop\爬虫授课\day05\ziliao\phantomjs-2.1.1-windows\bin\phantomjs.exe'
# 创建无界面的浏览器对象
bro = webdriver.PhantomJS(path)
# 发起url请求
bro.get(url)
time.sleep(3)
# 截图
bro.save_screenshot('1.png') # 执行js代码（让滚动条向下偏移n个像素（作用：动态加载了更多的电影信息））
js = 'window.scrollTo(0,document.body.scrollHeight)'
bro.execute_script(js) # 该函数可以执行一组字符串形式的js代码
time.sleep(2) bro.execute_script(js) # 该函数可以执行一组字符串形式的js代码
time.sleep(2)
bro.save_screenshot('2.png')
time.sleep(2)
# 使用爬虫程序爬去当前url中的内容
html_source = bro.page_source # 该属性可以获取当前浏览器的当前页的源码（html）
with open('./source.html', 'w', encoding='utf-8') as fp:
fp.write(html_source)
bro.quit()
爬取今日头条科技版块的头条标题，并将其保存到指定文件中from selenium import webdriver
from lxml import etree
from pyquery import PyQuery as pq
import timedriver = webdriver.Chrome() # 实例化
driver.maximize_window() # 窗口最大化
driver.get('https://www.toutiao.com/')
driver.implicitly_wait(10) # 隐性等待10s【必须有，多加几个】
driver.find_element_by_link_text('科技').click()
driver.implicitly_wait(10) # 隐性等待10s
for i in range(3):
js = "var q = document.documentElement.scrollTop="+str(i*500)
driver.execute_script(js)
time.sleep(2)
for i in range(10):
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
time.sleep(2)time.sleep(5)
page = driver.page_source
doc = pq(page) # 用pyquery实例化一下
doc = etree.HTML(str(doc))
contents = doc.xpath('//div[@class="wcommonFeed"]/ul/li')
print(contents) # 这是一个对象
print("--------------------------")
for x in contents:
title = x.xpath('div/div[1]/div/div[1]/a/text()')
if title:
title = title[0]
with open('toutiao.txt', 'a+', encoding='utf8')as f:
f.write(title + '\n')
print(title)
else:
passdriver.close()
selenium规避被检测识别
import requests
from selenium import webdriver
from lxml import etree
import timedriver = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver')
driver.get('https://qzone.qq.com/')
#在web 应用中经常会遇到frame 嵌套页面的应用，使用WebDriver 每次只能在一个页面上识别元素，对于frame 嵌套内的页面上的元
素，直接定位是定位是定位不到的。这个时候就需要通过switch_to_frame()方法将当前定位的主体切换了frame 里。
driver.switch_to.frame('login_frame')
driver.find_element_by_id('switcher_plogin').click()#driver.find_element_by_id('u').clear()
driver.find_element_by_id('u').send_keys('328410948') #这里填写你的QQ号
#driver.find_element_by_id('p').clear()
driver.find_element_by_id('p').send_keys('xxxxxx') #这里填写你的QQ密码driver.find_element_by_id('login_button').click()
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
page_text = driver.page_sourcetree = etree.HTML(page_text)
#执行解析操作
li_list = tree.xpath('//ul[@id="feed_friend_list"]/li')
for li in li_list:
text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()')
text = ''.join(text_list)
print(text+'\n\n\n')driver.close()
from selenium import webdriver
from time import sleep
import timeif __name__ == '__main__':
url = 'https://movie.douban.com/typerank?type_name=%E6%81%90%E6%80%96&type=20&interval_id=100:90&action='
# 发起请求前，可以让url表示的页面动态加载出更多的数据
path = r'C:\Users\Administrator\Desktop\爬虫授课\day05\ziliao\phantomjs-2.1.1-windows\bin\phantomjs.exe'
# 创建无界面的浏览器对象
bro = webdriver.PhantomJS(path)
# 发起url请求
bro.get(url)
time.sleep(3)
# 截图
bro.save_screenshot('1.png') # 执行js代码（让滚动条向下偏移n个像素（作用：动态加载了更多的电影信息））
js = 'window.scrollTo(0,document.body.scrollHeight)'
bro.execute_script(js) # 该函数可以执行一组字符串形式的js代码
time.sleep(2) bro.execute_script(js) # 该函数可以执行一组字符串形式的js代码
time.sleep(2)
bro.save_screenshot('2.png')
time.sleep(2)
# 使用爬虫程序爬去当前url中的内容
html_source = bro.page_source # 该属性可以获取当前浏览器的当前页的源码（html）
with open('./source.html', 'w', encoding='utf-8') as fp:
fp.write(html_source)
bro.quit()
from selenium import webdriver
from lxml import etree
from pyquery import PyQuery as pq
import timedriver = webdriver.Chrome() # 实例化
driver.maximize_window() # 窗口最大化
driver.get('https://www.toutiao.com/')
driver.implicitly_wait(10) # 隐性等待10s【必须有，多加几个】
driver.find_element_by_link_text('科技').click()
driver.implicitly_wait(10) # 隐性等待10s
for i in range(3):
js = "var q = document.documentElement.scrollTop="+str(i*500)
driver.execute_script(js)
time.sleep(2)
for i in range(10):
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
time.sleep(2)time.sleep(5)
page = driver.page_source
doc = pq(page) # 用pyquery实例化一下
doc = etree.HTML(str(doc))
contents = doc.xpath('//div[@class="wcommonFeed"]/ul/li')
print(contents) # 这是一个对象
print("--------------------------")
for x in contents:
title = x.xpath('div/div[1]/div/div[1]/a/text()')
if title:
title = title[0]
with open('toutiao.txt', 'a+', encoding='utf8')as f:
f.write(title + '\n')
print(title)
else:
passdriver.close()
selenium规避被检测识别
现在不少大网站有对selenium采取了监测机制。比如正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为
undefined。而使用selenium访问则该值为true。那么如何解决这个问题呢？
只需要设置Chromedriver的启动参数即可解决问题。在启动Chromedriver之前，为Chrome开启实验性功能参数excludeSwitches，它的值为['enable-automation']，完整代码如下：
from selenium.webdriver import Chrome
from selenium.webdriver import ChromeOptionsoption = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = Chrome(options=option)
