Python爬蟲利器五之Selenium的用法 | 靜覓

http://cuiqingcai.com/2599.html前言

在上一節我們學習了 PhantomJS 的基本用法，歸根結底它是一個沒有界面的瀏覽器，而且運行的是 JavaScript 腳本，然而這就能寫爬蟲了嗎？這又和Python有什麼關係？說好的Python爬蟲呢？庫都學完了你給我看這個？客官別急，接下來我們介紹的這個工具，統統解決掉你的疑惑。

簡介

Selenium 是什麼？一句話，自動化測試工具。它支持各種瀏覽器，包括 Chrome，Safari，Firefox 等主流界面式瀏覽器，如果你在這些瀏覽器裡面安裝一個 Selenium 的插件，那麼便可以方便地實現Web界面的測試。換句話說叫 Selenium 支持這些瀏覽器驅動。話說回來，PhantomJS不也是一個瀏覽器嗎，那麼 Selenium 支持不？答案是肯定的，這樣二者便可以實現無縫對接了。

然後又有什麼好消息呢？Selenium支持多種語言開發，比如 Java，C，Ruby等等，有 Python 嗎？那是必須的！哦這可真是天大的好消息啊。

嗯，所以呢？安裝一下 Python 的 Selenium 庫，再安裝好 PhantomJS，不就可以實現 Python＋Selenium＋PhantomJS 的無縫對接了嘛！PhantomJS 用來渲染解析JS，Selenium 用來驅動以及與 Python 的對接，Python 進行後期的處理，完美的三劍客！

有人問，為什麼不直接用瀏覽器而用一個沒界面的 PhantomJS 呢？答案是：效率高！

Selenium 有兩個版本，目前最新版本是 2.53.1（2016/3/22）

Selenium 2，又名 WebDriver，它的主要新功能是集成了 Selenium 1.0 以及 WebDriver（WebDriver 曾經是 Selenium 的競爭對手）。也就是說 Selenium 2 是 Selenium 和 WebDriver 兩個項目的合併，即 Selenium 2 兼容 Selenium，它既支持 Selenium API 也支持 WebDriver API。

更多詳情可以查看 Webdriver 的簡介。

Webdriver

嗯，通過以上描述，我們應該對 Selenium 有了大概對認識，接下來就讓我們開始進入動態爬取的新世界吧。

本文參考內容來自

Selenium官網SeleniumPython文檔

安裝

首先安裝 Selenium

1	pip install selenium

或者下載源碼

下載源碼

然後解壓後運行下面的命令進行安裝

1	python setup.py install

安裝好了之後我們便開始探索抓取方法了。

快速開始初步體驗

我們先來一個小例子感受一下 Selenium，這裡我們用 Chrome 瀏覽器來測試，方便查看效果，到真正爬取的時候換回 PhantomJS 即可。

1234	from selenium import webdriverbrowser = webdriver.Chrome()browser.get("http://www.baidu.com/")

運行這段代碼，會自動打開瀏覽器，然後訪問百度。

如果程序執行錯誤，瀏覽器沒有打開，那麼應該是沒有裝 Chrome 瀏覽器或者 Chrome 驅動沒有配置在環境變數里。下載驅動，然後將驅動文件路徑配置在環境變數即可。

瀏覽器驅動下載

比如我的是 Mac OS，就把下載好的文件放在 /usr/bin 目錄下就可以了。

模擬提交

下面的代碼實現了模擬提交提交搜索的功能，首先等頁面載入完成，然後輸入到搜索框文本，點擊提交。

12345678910

from selenium import webdriverfrom selenium.webdriver.common.keys import Keysdriver = webdriver.Chrome()driver.get("http://www.python.org")assert "Python" in driver.titleelem = driver.find_element_by_name("q")elem.send_keys("pycon")elem.send_keys(Keys.RETURN)print driver.page_source

同樣是在 Chrome 裡面測試，感受一下。

The driver.get method will navigate to a page given by the URL. WebDriver will wait until the page has fully loaded (that is, the 「onload」 event has fired) before returning control to your test or script. It』s worth noting that if your page uses a lot of AJAX on load then WebDriver may not know when it has completely loaded.

其中 driver.get 方法會打開請求的URL，WebDriver 會等待頁面完全載入完成之後才會返回，即程序會等待頁面的所有內容載入完成，JS渲染完畢之後才繼續往下執行。注意：如果這裡用到了特別多的 Ajax 的話，程序可能不知道是否已經完全載入完畢。

WebDriver offers a number of ways to find elements using one of the find_element_by_* methods. For example, the input text element can be located by its name attribute using find_element_by_name method

WebDriver 提供了許多尋找網頁元素的方法，譬如 find_element_by_* 的方法。例如一個輸入框可以通過 find_element_by_name 方法尋找 name 屬性來確定。

Next we are sending keys, this is similar to entering keys using your keyboard. Special keys can be send using Keys class imported from selenium.webdriver.common.keys

然後我們輸入來文本然後模擬點擊了回車，就像我們敲擊鍵盤一樣。我們可以利用 Keys 這個類來模擬鍵盤輸入。

最後最重要的一點

獲取網頁渲染後的源代碼。

輸出 page_source 屬性即可。

這樣，我們就可以做到網頁的動態爬取了。

測試用例

有了以上特性，我們當然可以用來寫測試樣例了。

1234567891011121314151617181920212223

import unittestfrom selenium import webdriverfrom selenium.webdriver.common.keys import Keysclass PythonOrgSearch(unittest.TestCase):def setUp(self):self.driver = webdriver.Chrome()def test_search_in_python_org(self):driver = self.driverdriver.get("http://www.python.org")self.assertIn("Python", driver.title)elem = driver.find_element_by_name("q")elem.send_keys("pycon")elem.send_keys(Keys.RETURN)assert "No results found." not in driver.page_sourcedef tearDown(self):self.driver.close()if __name__ == "__main__":unittest.main()

運行程序，同樣的功能，我們將其封裝為測試標準類的形式。

The test case class is inherited from unittest.TestCase. Inheriting from TestCase class is the way to tell unittest module that this is a test case. The setUp is part of initialization, this method will get called before every test function which you are going to write in this test case class. The test case method should always start with characters test.The tearDown method will get called after every test method. This is a place to do all cleanup actions.You can also call quit method instead of close. The quit will exit the entire browser, whereas close will close a tab, but if it is the only tab opened, by default most browser will exit entirely.

測試用例是繼承了 unittest.TestCase 類，繼承這個類表明這是一個測試類。setUp方法是初始化的方法，這個方法會在每個測試類中自動調用。每一個測試方法命名都有規範，必須以 test 開頭，會自動執行。最後的 tearDown 方法會在每一個測試方法結束之後調用。這相當於最後的析構方法。在這個方法里寫的是 close 方法，你還可以寫 quit 方法。不過 close 方法相當於關閉了這個 TAB 選項卡，然而 quit 是退出了整個瀏覽器。當你只開啟了一個 TAB 選項卡的時候，關閉的時候也會將整個瀏覽器關閉。

頁面操作頁面交互

僅僅抓取頁面沒有多大卵用，我們真正要做的是做到和頁面交互，比如點擊，輸入等等。那麼前提就是要找到頁面中的元素。WebDriver提供了各種方法來尋找元素。例如下面有一個表單輸入框。

1	<input type="text" name="passwd" id="passwd-id" />

我們可以這樣獲取它

1234	element = driver.find_element_by_id("passwd-id")element = driver.find_element_by_name("passwd")element = driver.find_elements_by_tag_name("input")element = driver.find_element_by_xpath("//input[@id="passwd-id"]")

你還可以通過它的文本鏈接來獲取，但是要小心，文本必須完全匹配才可以，所以這並不是一個很好的匹配方式。

而且你在用 xpath 的時候還需要注意的是，如果有多個元素匹配了 xpath，它只會返回第一個匹配的元素。如果沒有找到，那麼會拋出NoSuchElementException 的異常。

獲取了元素之後，下一步當然就是向文本輸入內容了，可以利用下面的方法

1	element.send_keys("some text")

同樣你還可以利用 Keys 這個類來模擬點擊某個按鍵。

1	element.send_keys("and some", Keys.ARROW_DOWN)

你可以對任何獲取到到元素使用 send_keys 方法，就像你在 GMail 裡面點擊發送鍵一樣。不過這樣會導致的結果就是輸入的文本不會自動清除。所以輸入的文本都會在原來的基礎上繼續輸入。你可以用下面的方法來清除輸入文本的內容。

1	element.clear()

這樣輸入的文本會被清除。

填充表單

我們已經知道了怎樣向文本框中輸入文字，但是其它的表單元素呢？例如下拉選項卡的的處理可以如下

12345

element = driver.find_element_by_xpath("//select[@name="name"]")all_options = element.find_elements_by_tag_name("option")for option in all_options:print("Value is: %s" % option.get_attribute("value"))option.click()

首先獲取了第一個 select 元素，也就是下拉選項卡。然後輪流設置了 select 選項卡中的每一個 option 選項。你可以看到，這並不是一個非常有效的方法。

其實 WebDriver 中提供了一個叫 Select 的方法，可以幫助我們完成這些事情。

12345

from selenium.webdriver.support.ui import Selectselect = Select(driver.find_element_by_name("name"))select.select_by_index(index)select.select_by_visible_text("text")select.select_by_value(value)

如你所見，它可以根據索引來選擇，可以根據值來選擇，可以根據文字來選擇。是十分方便的。

全部取消選擇怎麼辦呢？很簡單

12	select = Select(driver.find_element_by_id("id"))select.deselect_all()

這樣便可以取消所有的選擇。

另外我們還可以通過下面的方法獲取所有的已選選項。

12	select = Select(driver.find_element_by_xpath("xpath"))all_selected_options = select.all_selected_options

獲取所有可選選項是

1	options = select.options

如果你把表單都填好了，最後肯定要提交表單對吧。怎嗎提交呢？很簡單

1	driver.find_element_by_id("submit").click()

這樣就相當於模擬點擊了 submit 按鈕，做到表單提交。

當然你也可以單獨提交某個元素

1	element.submit()

方法，WebDriver 會在表單中尋找它所在的表單，如果發現這個元素並沒有被表單所包圍，那麼程序會拋出NoSuchElementException 的異常。

元素拖拽

要完成元素的拖拽，首先你需要指定被拖動的元素和拖動目標元素，然後利用 ActionChains 類來實現。

123456

element = driver.find_element_by_name("source")target = driver.find_element_by_name("target")from selenium.webdriver import ActionChainsaction_chains = ActionChains(driver)action_chains.drag_and_drop(element, target).perform()

這樣就實現了元素從 source 拖動到 target 的操作。

頁面切換

一個瀏覽器肯定會有很多窗口，所以我們肯定要有方法來實現窗口的切換。切換窗口的方法如下

1	driver.switch_to_window("windowName")

另外你可以使用 window_handles 方法來獲取每個窗口的操作對象。例如

12	for handle in driver.window_handles:driver.switch_to_window(handle)

另外切換 frame 的方法如下

1	driver.switch_to_frame("frameName.0.child")

這樣焦點會切換到一個 name 為 child 的 frame 上。

彈窗處理

當你出發了某個事件之後，頁面出現了彈窗提示，那麼你怎樣來處理這個提示或者獲取提示信息呢？

1	alert = driver.switch_to_alert()

通過上述方法可以獲取彈窗對象。

歷史記錄

那麼怎樣來操作頁面的前進和後退功能呢？

12	driver.forward()driver.back()

嗯，簡潔明了。

Cookies處理

為頁面添加 Cookies，用法如下

123456

# Go to the correct domaindriver.get("http://www.example.com")# Now set the cookie. This one"s valid for the entire domaincookie = {『name』 : 『foo』, 『value』 : 『bar』}driver.add_cookie(cookie)

獲取頁面 Cookies，用法如下

12345

# Go to the correct domaindriver.get("http://www.example.com")# And now output all the available cookies for the current URLdriver.get_cookies()

以上便是 Cookies 的處理，同樣是非常簡單的。

元素選取

關於元素的選取，有如下的API單個元素選取

find_element_by_id

find_element_by_name

find_element_by_xpath

find_element_by_link_text

find_element_by_partial_link_text

find_element_by_tag_name

find_element_by_class_name

find_element_by_css_selector

多個元素選取

find_elements_by_name

find_elements_by_xpath

find_elements_by_link_text

find_elements_by_partial_link_text

find_elements_by_tag_name

find_elements_by_class_name

find_elements_by_css_selector

另外還可以利用 By 類來確定哪種選擇方式

1234	from selenium.webdriver.common.by import Bydriver.find_element(By.XPATH, "//button[text()="Some text"]")driver.find_elements(By.XPATH, "//button")

By 類的一些屬性如下

12345678

ID = "id"XPATH = "xpath"LINK_TEXT = "link text"PARTIAL_LINK_TEXT = "partial link text"NAME = "name"TAG_NAME = "tag name"CLASS_NAME = "class name"CSS_SELECTOR = "css selector"

更詳細的元素選擇方法參見官方文檔

元素選擇

頁面等待

這是非常重要的一部分，現在的網頁越來越多採用了 Ajax 技術，這樣程序便不能確定何時某個元素完全載入出來了。這會讓元素定位困難而且會提高產生ElementNotVisibleException 的概率。

所以 Selenium 提供了兩種等待方式，一種是隱式等待，一種是顯式等待。

隱式等待是等待特定的時間，顯式等待是指定某一條件直到這個條件成立時繼續執行。

顯式等待

顯式等待指定某個條件，然後設置最長等待時間。如果在這個時間還沒有找到元素，那麼便會拋出異常了。

12345678910111213

from selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECdriver = webdriver.Chrome()driver.get("http://somedomain/url_that_delays_loading")try:element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.ID, "myDynamicElement")))finally:driver.quit()

程序默認會 500ms 調用一次來查看元素是否已經生成，如果本來元素就是存在的，那麼會立即返回。

下面是一些內置的等待條件，你可以直接調用這些條件，而不用自己寫某些等待條件了。

title_is

title_contains

presence_of_element_located

visibility_of_element_located

visibility_of

presence_of_all_elements_located

text_to_be_present_in_element

text_to_be_present_in_element_value

frame_to_be_available_and_switch_to_it

invisibility_of_element_located

element_to_be_clickable – it is Displayed and Enabled.

staleness_of

element_to_be_selected

element_located_to_be_selected

element_selection_state_to_be

element_located_selection_state_to_be

alert_is_present

1234	from selenium.webdriver.support import expected_conditions as ECwait = WebDriverWait(driver, 10)element = wait.until(EC.element_to_be_clickable((By.ID,"someid")))

隱式等待

隱式等待比較簡單，就是簡單地設置一個等待時間，單位為秒。

123456

from selenium import webdriverdriver = webdriver.Chrome()driver.implicitly_wait(10) # secondsdriver.get("http://somedomain/url_that_delays_loading")myDynamicElement = driver.find_element_by_id("myDynamicElement")

當然如果不設置，默認等待時間為0。

程序框架

對於頁面測試和分析，官方提供了一個比較明晰的代碼結構，可以參考。

頁面測試架構

API

到最後，肯定是放鬆最全最重要的API了，比較多，希望大家可以多加練習。

API

結語

以上就是 Selenium 的基本用法，我們講解了頁面交互，頁面渲染之後的源代碼的獲取。這樣，即使頁面是 JS 渲染而成的，我們也可以手到擒來了。就是這麼溜！

轉載請註明：靜覓 ? Python爬蟲利器五之Selenium的用法

喜歡 (256)or分享 (13)
推薦閱讀：