爬虫请求库之selenium

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

from selenium import webdriver

browser=webdriver.Chrome()    #谷歌浏览器

browser=webdriver.Firefox()   #火狐浏览器

browser=webdriver.PhantomJS()

browser=webdriver.Safari()

browser=webdriver.Edge()

二、安装

1.有界面浏览器

#安装selenium+chromedriver

1.pip install selenium

2.一定要记得下载chromdriver.exe放到python安装路径scripts目录中，或者放在项目的根目录下，下载的时候注意和浏览器对应的版本

2.无界面浏览器

原来是用PhantomJS,现在使用谷歌浏览器headless模式

三、基本使用

from selenium import webdriver

from selenium.webdriver import ActionChains

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()  #初始化

try:

    browser.get('https://www.baidu.com')  #访问网址

    input_tag=browser.find_element_by_id('kw')   #根据id查找

    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

    wait=WebDriverWait(browser,10)   #显示等待，等待某个元素被加载

    wait.until(EC.presence_of_element_located((By.ID,'content_left'))) #等到id为content_left的元素加载完毕,最多等10秒

    print(browser.page_source)

    print(browser.current_url)

    print(browser.get_cookies())  #获取cookies

finally:

    browser.close()

四、选择器使用

一基本用法

from selenium import webdriver

from selenium.webdriver import ActionChains

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

import time

bro=webdriver.Chrome()  #初始化

bro.get('http://www.baidu.com')

wait=WebDriverWait(bro,10)   #隐示等待

# 1、find_element_by_id   根据id找

# 2、find_element_by_link_text     根据链接名字找到控件（a标签的文字）

# 3、find_element_by_partial_link_text   根据链接名字找到控件（a标签的文字）模糊查询

# 4、find_element_by_tag_name       根据标签名

# 5、find_element_by_class_name     根据类名

# 6、find_element_by_name           根据属性名

# 7、find_element_by_css_selector   根据css选择器

# 8、find_element_by_xpath          根据xpath选择


#模拟登录百度

dl_button=bro.find_element_by_link_text("登录")   #定位到登录按钮

dl_button.click()

user_login=bro.find_element_by_id('TANGRAM__PSP_10__footerULoginBtn')  #点击用户名登录

user_login.click()

time.sleep(1)

input_name=bro.find_element_by_name('userName')  #定位到用户名输入框，输入用户名

input_name.send_keys("30323545@qq.com")

input_password=bro.find_element_by_id("TANGRAM__PSP_10__password") #输入密码

input_password.send_keys("xxxxxx")

submit_button=bro.find_element_by_id('TANGRAM__PSP_10__submit')  #点击登录

submit_button.click()

time.sleep(100)

print(bro.get_cookies())   #获取cookies方法  get_cookies()

bro.close()   #最后记得关闭

注意：上诉都可以改成find_elements_by_xxx的形式，查到的是多个元素，结果为列表

二、xpath

1.在selenium中使用xpath

driver.find_element_by_xpath('//body/a') #开头的//代表从整篇文档中寻找,body之后的/代表body的儿子中找a标签，这一行找不到就会报错

driver.find_element_by_xpath('//body//a')  #开头的//代表从整篇文档中寻找,body之后的//代表body的子子孙孙中找a标签，这一行找不到就会报错

driver.find_element_by_xpath('//a[5]')   #找第五个a标签

driver.find_element_by_xpath('//a[img/@src="data:image1"]')   #找a标签下子标签img的src属性为image1

2.在lxml中使用xpath

doc='''

<html>

 <head>

  <base href='http://example.com/' />

  <title>Example website</title>

 </head>

 <body>

  <div id='images'>

   <a href='image1.html' a="xxx">Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>

   <a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>

   <a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>

   <a href='image4.html' class='li'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>

   <a href='image5.html' class='li li-item' name='items'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>

   <a href='image6.html' name='items'><span><h5>test</h5></span>Name: My image 6 <br /><img src='image6_thumb.jpg' /></a>

  </div>

 </body>

</html>

'''

from lxml import etree

html=etree.HTML(doc)

# html=etree.parse('search.html',etree.HTMLParser())

# 1 所有节点

a=html.xpath('//*')    #匹配所有标签

# 2 指定节点（结果为列表）

# a=html.xpath('//head')

# 3 子节点，子孙节点

a=html.xpath('//div/a')

a=html.xpath('//body/a') #无数据

a=html.xpath('//body//a')

# 4 父节点

# a=html.xpath('//body//a[@href="image1.html"]/..')

a=html.xpath('//body//a[1]/..')  #从1开始

# 也可以这样

a=html.xpath('//body//a[1]/parent::*')

# 5 属性匹配

a=html.xpath('//body//a[@href="image1.html"]')

# 6 文本获取

a=html.xpath('//body//a[@href="image1.html"]/text()')

a=html.xpath('//body//a/text()')

# 7 属性获取

# a=html.xpath('//body//a/@href')

# # 注意从1 开始取（不是从0）

a=html.xpath('//body//a[2]/@href')

# 8 属性多值匹配

#  a 标签有多个class类，直接匹配就不可以了，需要用contains

# a=html.xpath('//body//a[@class="li"]')

a=html.xpath('//body//a[contains(@class,"li")]/text()')

# a=html.xpath('//body//a[contains(@class,"li")]/text()')

# 9 多属性匹配

a=html.xpath('//body//a[contains(@class,"li") or @name="items"]')

a=html.xpath('//body//a[contains(@class,"li") and @name="items"]/text()')

a=html.xpath('//body//a[contains(@class,"li")]/text()')

# 10 按序选择

a=html.xpath('//a[2]/text()')

a=html.xpath('//a[2]/@href')

# 取最后一个

a=html.xpath('//a[last()]/@href')

# 位置小于3的

a=html.xpath('//a[position()<3]/@href')

# 倒数第二个

a=html.xpath('//a[last()-2]/@href')

# 11 节点轴选择

# ancestor：祖先节点

# 使用了* 获取所有祖先节点

a=html.xpath('//a/ancestor::*')

# # 获取祖先节点中的div

a=html.xpath('//a/ancestor::div')

# attribute：属性值

a=html.xpath('//a[1]/attribute::*')

# child：直接子节点

a=html.xpath('//a[1]/child::*')

# descendant：所有子孙节点

a=html.xpath('//a[6]/descendant::*')

# following:当前节点之后所有节点

a=html.xpath('//a[1]/following::*')

a=html.xpath('//a[1]/following::*[1]/@href')

# following-sibling:当前节点之后同级节点

a=html.xpath('//a[1]/following-sibling::*')

a=html.xpath('//a[1]/following-sibling::a')

a=html.xpath('//a[1]/following-sibling::*[2]/text()')

a=html.xpath('//a[1]/following-sibling::*[2]/@href')

print(a)

三、获取标签属性

#获取标签属性值

tag.get_attribute('src')  #获取属性src的值

#获取标签ID，位置，名称，大小

tag.id

tag.location

tag.tag_name

tag.size

五、等待元素被加载

#1、selenium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

#2、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，写一个就行
browser.implicitly_wait(10)   #在查找所有元素时，如果尚未被加载，则等10秒，如果没有10秒也会直接通过

显式等待：在browser.get（'xxx'）之后设置，只针对某个元素有效,在每一个需要使用的标签都要写

六、元素交互操作

点击、清空

click()

clear()

七、其他

获取cookies

browser.get_cookies()

设置cookies

browser.add_cookie({'k1':'aaa','k2':'yyy'})

删除cookies

browser.delete_all_cookies()

注意：可以用selenium模拟登录获取到cookie,然后使用requests带上cookies参数请求网页获取数据（selenium结合requests使用）

巴特西

爬虫请求库之selenium

最新文章

热门文章