乘风原创程序

  • Semaphore使用处理动态渲染页面
  • 2020/9/29 13:15:12


  • 1.Selenium的使用

    Selenium是一个自动化测试工具,利用它可以驱动浏览器执行特定的动作,如点击、下拉等操作,同时还可以获取浏览器当前呈现的页面的源代码,做到可见即可爬。对于一些JavaScript动态渲染的页面来说,此种抓取方式非常有效。本节中,就让我们来感受一下它的强大之处吧。

    from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.common.keys import Keys from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait
     
    browser = webdriver.Chrome() try: browser.get('https://www.baidu.com') input = browser.find_element_by_id('kw') input.send_keys('Python') input.send_keys(Keys.ENTER) wait = WebDriverWait(browser, 10) wait.until(EC.presence_of_element_located((By.ID, 'content_left'))) print(browser.current_url) print(browser.get_cookies()) print(browser.page_source) finally: browser.close() 

    运行代码后发现,会自动弹出一个Chrome浏览器。浏览器首先会跳转到百度,然后在搜索框中输入Python,接着跳转到搜索结果页,搜索结果加载出来后,控制台分别会输出当前的URL、当前的Cookies和网页源代码。

    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。

    我们可以用如下方式初始化:

    from selenium import webdriver
    
    brower = webdriver.Chorme() browser = webdriver.Firefox() browser = webdriver.Edge() browser = webdriver.PhantomJS() browser = webdriver.Safari() 

    这样就完成了浏览器对象的初始化并将其赋值为browser对象。接下来,我们要做的就是调用browser对象,让其执行各个动作以模拟浏览器操作。

    我们可以用get()方法来请求网页,参数传入链接URL即可。比如,这里用get()方法访问淘宝,然后打印出源代码,代码如下:

    from selenium import webdriver
     
    browser = webdriver.Chrome() browser.get('https://www.taobao.com') print(browser.page_source) browser.close() 

    2.查找节点

    单个节点

    要想提取搜索框这个节点,首先要观察它的源代码:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ckvby0K4-1601371792069)(attachment:image.png)]

    可以发现,它idq,name也是q。此外,还有许多其他属性,此时我们就可以用多种方式获取它了。比如,find_element_by_name()是根据name值获取,find_element_by_id()是根据id获取。另外,还有根据XPath、CSS选择器等获取的方式。

    from selenium import webdriver
    
    browser = webdriver.Chrome() browser.get("https://www.taobao.com") input_first = browser.find_element_by_id('q') input_second = browser.find_element_by_css_selector('#q') input_third = browser.find_element_by_xpath('//*[@id = "q"]') print(input_first, input_second, input_third) browser.close() 
    <selenium.webdriver.remote.webelement.WebElement (session="3c32a4bdd6d2aeecb8009f6a341a88d0", element="87630893-7416-48d5-bf2b-bf686b02124d")> <selenium.webdriver.remote.webelement.WebElement (session="3c32a4bdd6d2aeecb8009f6a341a88d0", element="87630893-7416-48d5-bf2b-bf686b02124d")> <selenium.webdriver.remote.webelement.WebElement (session="3c32a4bdd6d2aeecb8009f6a341a88d0", element="87630893-7416-48d5-bf2b-bf686b02124d")> 

    以下是所有获取单个节点的方法:

    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 

    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。我们用代码实现一下:

    from selenium import webdriver from selenium.webdriver.common.by import By
     
    browser = webdriver.Chrome() browser.get('https://www.taobao.com') input_first = browser.find_element(By.ID, 'q') print(input_first) browser.close() 
    <selenium.webdriver.remote.webelement.WebElement (session="a094dded3bb8abb549f0d966356a1d3f", element="1fc85c79-3e0a-4440-ba37-cdf29a898ad0")> 

    多个节点

    find_element()方法只能查找一个节点,可以使用find_elements()方法查找多个节点

    from selenium import webdriver
    
    browser = webdriver.Chrome() browser.get('https://www.taobao.com') lis = browser.find_elements_by_css_selector('.service-bd li') print(lis) browser.close() 
    [<selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="6c2d4189-0a59-4b90-a44d-3ae02df2978a")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="6d5677c9-35f4-4494-be5d-da531ff0d8e9")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="9569414b-b3ae-4705-91a3-1c3225620ffe")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="5765c842-fe9c-486a-858f-a06e68420e8c")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="a028df78-41e3-4a36-a48c-d8f3afd6fa69")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="67c35c5f-eb75-4db2-a9d3-1fd73643aec3")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="2697261f-a005-4c45-b402-6167aefa1a40")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="e3e7e64b-3a0e-403d-b912-5f472add548c")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="7c606743-079a-41e9-a938-312fef07bfe5")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="56605a7e-c438-47b4-b0c8-c85643fbf920")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="b7422228-c16e-49f8-9bf8-f2314cc9e563")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="00c76986-c1da-4630-b06c-529ebdf387f9")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="81788f33-b80e-47f5-9797-dd45f070e64d")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="fbee42c9-0682-46b8-9d7f-4f12840ba6ff")>, <selenium.webdriver.remote.webelement.WebElement (session="8a4fe778d475f7c9e1ad04af0f0c5fbb", element="ec5f44ee-200c-4686-b7ce-3748131734e0")>] 

    3.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('iPhone') time.sleep(3) input.clear() input.send_keys('iPad') button = browser.find_element_by_class_name('btn-search') button.click() 

    这里首先驱动浏览器打开淘宝,然后用find_element_by_id()方法获取输入框,然后用send_keys()方法输入iPhone文字,等待一秒后用clear()方法清空输入框,再次调用send_keys()方法输入iPad文字,之后再用find_element_by_class_name()方法获取搜索按钮,最后调用click()方法完成搜索动作。

    通过上面的方法,我们就完成了一些常见节点的动作操作,更多的操作可以参见官方文档的交互动作介绍:http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement。

    4.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
     
    browser = webdriver.Chrome() url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable' browser.get(url) browser.switch_to.frame('iframeResult') source = browser.find_element_by_css_selector('#draggable') target = browser.find_element_by_css_selector('#droppable') actions = ActionChains(browser) actions.drag_and_drop(source, target) actions.perform() 

    首先,打开网页中的一个拖曳实例,然后依次选中要拖曳的节点和拖曳到的目标节点,接着声明ActionChains对象并将其赋值为actions变量,然后通过调用actions变量的drag_and_drop()方法,再调用perform()方法执行动作,此时就完成了拖曳操作.

    5.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:

    from selenium import webdriver
     
    browser = webdriver.Chrome() browser.get('https://www.taobao.com') browser.execute_script('window.scrollTo(0, document.body.scrollHeight)') browser.execute_script('alert("To Bottom")') 

    6. 获取节点信息

    6.1 获取属性

    我们可以使用get_attribute()方法来获取节点的属性,但是其前提是先选中这个节点:

    from selenium import webdriver from selenium.webdriver import ActionChains
    
    browser = webdriver.Chrome() url = 'https://www.zhihu.com/explore' browser.get(url) logo = browser.find_element_by_css_selector('.ZhihuLogoLink') print(logo) print(logo.get_attribute('class')) 
    <selenium.webdriver.remote.webelement.WebElement (session="7ac47a93f69e3271032cfc5dcaecac8f", element="21d1ee04-187c-4179-9ac1-338c31b5f5b7")>
    ZhihuLogoLink 

    6.2 获取文本值

    每个WebElement节点都有text属性,直接调用这个属性就可以得到节点内部的文本信息,这相当于Beautiful Soup的get_text()方法、pyquery的text()方法,示例如下:

    from selenium import webdriver
    
    browser = webdriver.Chrome() url = 'https://www.zhihu.com/explore' browser.get(url) input = browser.find_element_by_css_selector('.Tabs-link') print(input) print(input.text) 
    <selenium.webdriver.remote.webelement.WebElement (session="f5b544501325970b9eb6525ebb825051", element="715ce887-6d4e-4d5d-b44a-ff4a072500d6")>
    首页 

    这里依然先打开知乎页面,然后获取“首页”按钮这个节点,再将其文本值打印出来。

    6.3 获取id、位置、标签名的大小

    另外,WebElement节点还有一些其他属性,比如id属性可以获取节点idlocation属性可以获取该节点在页面中的相对位置,tag_name属性可以获取标签名称,size属性可以获取节点的大小,也就是宽高,这些属性有时候还是很有用的。示例如下:

    from selenium import webdriver
    
    browser = webdriver.Chrome() url = 'https://www.zhihu.com/explore' browser.get(url) input = browser.find_element_by_css_selector('.Tabs-link') print(input) print(input.id) print(input.location) print(input.tag_name) print(input.size) 
    <selenium.webdriver.remote.webelement.WebElement (session="c63c937e5db898df69fe71bd47ad4c30", element="4c5b99a5-0a7e-4d26-bc19-29c48767e758")>
    4c5b99a5-0a7e-4d26-bc19-29c48767e758
    {'x': 120, 'y': 1}
    a
    {'height': 50, 'width': 30} 

    7.切换Frame

    我们知道网页中有一种节点叫作iframe,也就是子Frame,相当于页面的子页面,它的结构和外部网页的结构完全一致。Selenium打开页面后,它默认是在父级Frame里面操作,而此时如果页面中还有子Frame,它是不能获取到子Frame里面的节点的。这时就需要使用switch_to.frame()方法来切换Frame。示例如下:

    import time from selenium import webdriver from selenium.common.exceptions import NoSuchElementException
     
    browser = webdriver.Chrome() url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable' browser.get(url) browser.switch_to.frame('iframeResult') try: logo = browser.find_element_by_class_name('logo') except NoSuchElementException: print('NO LOGO') browser.switch_to.parent_frame() logo = browser.find_element_by_class_name('logo') print(logo) print(logo.text) 
    NO LOGO
    <selenium.webdriver.remote.webelement.WebElement (session="6110a43a103b5fceb372cee29377ae07", element="892e5106-15e8-48fc-bf93-26702a44b82a")>
    RUNOOB.COM 

    8.延时等待

    在Selenium中,get()方法会在网页框架加载结束后结束执行,此时如果获取page_source,可能并不是浏览器完全加载完成的页面,如果某些页面有额外的Ajax请求,我们在网页源代码中也不一定能成功获取到。所以,这里需要延时等待一定时间,确保节点已经加载出来。

    这里等待的方式有两种:一种是隐式等待,一种是显式等待。

    8.1 隐式等待

    当使用隐式等待执行测试的时候,如果Selenium没有在DOM中找到节点,将继续等待,超出设定时间后,则抛出找不到节点的异常。换句话说,当查找节点而节点并没有立即出现的时候,隐式等待将等待一段时间再查找DOM,默认的时间是0。示例如下:

    from selenium import webdriver
    
    browser = webdriver.Chrome() browser.implicitly_wait(10) browser.get('https://www.zhihu.com/explore') input = browser.find_element_by_class_name('Tabs-link') print(input) 
    <selenium.webdriver.remote.webelement.WebElement (session="d8a34093d766da7a3c1b2bd36edad331", element="0af99217-cd8a-471a-ab4e-87db2bc5ab01")> 

    8.2 显示等待

    隐式等待的效果其实并没有那么好,因为我们只规定了一个固定时间,而页面的加载时间会受到网络条件的影响。

    这里还有一种更合适的显式等待方法,它指定要查找的节点,然后指定一个最长等待时间。如果在规定时间内加载出来了这个节点,就返回查找的节点;如果到了规定时间依然没有加载出该节点,则抛出超时异常。示例如下

    from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC
    
    browser = webdriver.Chrome() browser.get('https://www.taobao.com/') wait = WebDriverWait(browser, 10) input = wait.until(EC.presence_of_element_located((By.ID, 'q'))) button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search'))) print(input, button) 
    <selenium.webdriver.remote.webelement.WebElement (session="e896526a195f864e3421c9ccf4accb84", element="bc63c2c4-0d8e-4020-919d-e726ca985067")> <selenium.webdriver.remote.webelement.WebElement (session="e896526a195f864e3421c9ccf4accb84", element="63bc196a-300a-42aa-8436-8e6388e062c6")> 

    这里首先引入WebDriverWait这个对象,指定最长等待时间,然后调用它的until()方法,传入要等待条件expected_conditions。比如,这里传入了presence_of_element_located这个条件,代表节点出现的意思,其参数是节点的定位元组,也就是IDq的节点搜索框。

    这样可以做到的效果就是,在10秒内如果IDq的节点(即搜索框)成功加载出来,就返回该节点;如果超过10秒还没有加载出来,就抛出异常。

    对于按钮,可以更改一下等待条件,比如改为element_to_be_clickable,也就是可点击,所以查找按钮时查找CSS选择器为.btn-search的按钮,如果10秒内它是可点击的,也就是成功加载出来了,就返回这个按钮节点;如果超过10秒还不可点击,也就是没有加载出来,就抛出异常。

    关于等待条件,其实还有很多,比如判断标题内容,判断某个节点内是否出现了某文字等。下表列出了所有的等待条件。

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GkwreVnY-1601371792072)(attachment:image.png)]

    9.前进和后退

    平常使用浏览器时都有前进和后退功能,Selenium也可以完成这个操作,它使用back()方法后退,使用forward()方法前进。示例如下:

    import time from selenium import webdriver
     
    browser = webdriver.Chrome() browser.get('https://www.baidu.com/') browser.get('https://www.taobao.com/') browser.get('https://www.python.org/') browser.back() time.sleep(1) browser.forward() browser.close() 

    10.Cookies

    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()) 
    [{'secure': False, 'value': '"NGM0ZTM5NDAwMWEyNDQwNDk5ODlkZWY3OTkxY2I0NDY=|1491604091|236e34290a6f407bfbb517888849ea509ac366d0"', 'domain': '.zhihu.com', 'path': '/', 'httpOnly': False, 'name': 'l_cap_id', 'expiry': 1494196091.403418}] [{'secure': False, 'value': 'germey', 'domain': '.www.zhihu.com', 'path': '/', 'httpOnly': False, 'name': 'name'}, {'secure': False, 'value': '"NGM0ZTM5NDAwMWEyNDQwNDk5ODlkZWY3OTkxY2I0NDY=|1491604091|236e34290a6f407bfbb517888849ea509ac366d0"', 'domain': '.zhihu.com', 'path': '/', 'httpOnly': False, 'name': 'l_cap_id', 'expiry': 1494196091.403418}] [] 
    import time from selenium import webdriver
    
    browser = webdriver.Chrome() browser.get('https://www.baidu.com') browser.execute_script('window.open()') print(browser.window_handles) browser.switch_to_window(browser.window_handles[1]) browser.get('https://www.taobao.com') time.sleep(1) browser.switch_to_window(browser.window_handles[0]) browser.get('https://python.org') 
    ['CDwindow-D3B9146D4CE7EC35784DEF9DB96CFE4B', 'CDwindow-D8508F28CF34DFAE42F3822F2A78CC73'] 

    首先访问了百度,然后调用了execute_script()方法,这里传入window.open()这个JavaScript语句新开启一个选项卡。接下来,我们想切换到该选项卡。这里调用window_handles属性获取当前开启的所有选项卡,返回的是选项卡的代号列表。要想切换选项卡,只需要调用switch_to_window()方法即可,其中参数是选项卡的代号。这里我们将第二个选项卡代号传入,即跳转到第二个选项卡,接下来在第二个选项卡下打开一个新页面,然后切换回第一个选项卡重新调用switch_to_window()方法,再执行其他操作即可。

    11.异常处理

    在使用Selenium的过程中,难免会遇到一些异常,例如超时、节点未找到等错误,一旦出现此类错误,程序便不会继续运行了。这里我们可以使用try except语句来捕获各种异常。

    捕捉节点未找到异常(NoSuchElementException):

    from selenium import webdriver from selenium.common.exceptions import TimeoutException, NoSuchElementException
     
    browser = webdriver.Chrome() try: browser.get('https://www.baidu.com') except TimeoutException: print('Time Out') try: browser.find_element_by_id('hello') except NoSuchElementException: print('No Element') finally: browser.close() 
    No Element 

    本文地址:https://blog.csdn.net/qq_43328040/article/details/108872582