您现在的位置： 365建站网 > 365文章 > python爬虫入门教程之 Selenium库的使用

python爬虫入门教程之 Selenium库的使用

文章来源：365jz.com 点击数：452 更新时间：2018-01-29 11:04 参与评论

python爬虫入门教程之 Selenium库的使用

上一节我们讲解了PhantomJS的用法，它只是一个没有界面的浏览器，运行的还是JavaScript脚本，这和Python爬虫开发有什么联系呢？本节介绍的Selenium能将Python和PhantomJS紧密地联系起来，从而实现爬虫的开发。

Selenium是一个自动化测试工具，支持各种浏览器，包括Chrome、Safari、Firefox等主流界面式浏览器，也包括PhantomJS等无界面浏览器，通俗来说Selenium支持浏览器驱动，可以对浏览器进行控制。而且Selenium支持多种语言开发，比如Java、C、Ruby，还有Python，因此Python+Selenium+PhantomJS的组合就诞生了。

PhantomJS负责渲染解析JavaScript，Selenium负责驱动浏览器和与Python对接，Python负责做后期处理，三者构成了一个完整的爬虫结构。

9.4.1　安装Selenium

Selenium现在最新的版本为3.0.1，本书也是以此为标准进行讲解。Selenium官方地址为：http://www.seleniumhq.org/，其安装主要有两种方式：

·pip install Selenium==3.0.1·从https://pypi.python.org/pypi/selenium下载源代码解压后，运行python setup.py install。

·Selenium3.x和Selenium2.x版本有以下区别：

·Selenium2.x调用高版本浏览器会出现不兼容问题，调用低版本浏览器正常。

·Selenium3.x调用浏览器必须下载一个类似补丁的文件，比如Firefox的为geckodriver，Chrome的为chromedriver。

各种版本浏览器的补丁下载地址为：http://www.seleniumhq.org/download/，如图9-11所示。

图9-11　补丁下载地址

根据自己的操作系统，下载指定的geckodriver文件。下面以Firefox为例，对geckodriver进行配置。在ubuntu下，将文件下载下来之后解压到指定目录下，我把它解压到firefoxDriver目录下，如图9-12所示。

图9-12　补丁解压位置

接着配置环境变量，在shell中执行：export PATH=$PATH：/home/ubuntu/firefoxDr-iver，将geckodriver所在的目录配置到环境变量中，其他操作系统配置方式类似。

9.4.2　Selenium快速入门

安装和配置完成后，现在开始使用Selenium写一个小例子，功能是打开百度主页，在搜索框中输入网络爬虫，进行搜索。代码如下：

from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time
driver = webdriver.Firefox()
driver.get("http://www.baidu.com")
assert u"百度" in driver.title
elem = driver.find_element_by_name("wd")
elem.clear()
elem.send_keys(u"网络爬虫")
elem.send_keys(Keys.RETURN)
time.sleep(3)
assert u"网络爬虫." not in driver.page_source
driver.close()

效果如图9-13所示。

图9-13　搜索网络爬虫

代码分析：首先使用webdriver.Firefox（）获取Firefox浏览器的驱动，调用get方法，打开百度首页，判断标题中是否包含百度字样，接着通过元素名称wd获取输入框，通过send_keys方法将网络爬虫填写其中，然后回车。延时3秒后，判断搜索页面是否有网络爬虫字样，最后关闭driver。

我相信即使是同样的代码，大家也会遇到各种各样的问题。下面将大家可能遇到的问题进行一下总结：

1）错误信息为：Exception AttributeError：“’Service‘object has no attribute’process‘”in...，可能是geckodriver环境变量有问题，重新将geckodriver所在目录配置到环境变量中。或者直接在代码中指定路径：

webdriver.Firefox（executable_path=’/home/ubuntu/firefoxDriver/geckodriver）‘

2）错误信息为：selenium.common.exceptions.
WebDriverException：Message：Unsupported Marionette protocol
version 2，required 3，可能是Firefox版本太低，使用Selenium3.x要求Firefox>=v47。

3）错误信息为：selenium.common.exceptions.
WebDriverException：Message：Failed to start browser，可能是没找到Firefox浏览器，可以在代码中指定Firefox的位置：

binary = FirefoxBinary(r'E:\Mozilla Firefox\firefox.exe')
driver = webdriver.Firefox(firefox_binary=binary)

9.4.3　元素选取

要想对页面进行操作，首先要做的是选中页面元素。元素选取方法如表9-5所示。

表9-5　定位方法

除了上面具有确定功能的方法，还有两个通用方法find_element和find_elements，可以通过传入参数来指定功能。示例如下：

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

这一个例子是通过xpath表达式来查找，方法中第一个参数是指定选取元素的方式，第二个参数是选取元素需要传入的值或表达式。

第一个参数还可以传入By类中的以下值：

·By.ID·By.XPATH·By.LINK_TEXT·By.PARTIAL_LINK_TEXT·By.NAME

·By.TAG_NAME·By.CLASS_NAME·By.CSS_SELECTOR

下面通过一个HTML文档来讲解一下如何使用以上方法提取内容，HTML文档如下：

<html> <body> <h1>Welcome</h1> <p class="content">用户登录</p> <form id="loginForm"> <input name="username" type="text" /> <input name="password" type="password" /> <input name="continue" type="submit" value="Login" /> <input name="continue" type="button" value="Clear" /> </form> <a href="register.html">Register</a> </body> <html>

定位方法的使用如表9-6所示。

表9-6　定位方法示例

9.4.4　页面操作

以如下HTML文档为例介绍页面操作，login.html代码如下：

<html> <head> <meta http-equiv="content-type" content="text/html;charset=gbk"> </head> <body> <h1>Welcome</h1> <p class="content">用户登录</p> <form id="loginForm"> <select name="loginways"> <option value="email">邮箱</option> <option value="mobile">手机号</option> <option value="name">用户名</option> </select> <br/> <input name="username" type="text" />

<br/> 密码

<br/> <input name="password" type="password" /> <br/><br/> <input name="continue" type="submit" value="Login" /> <input name="continue" type="button" value="Clear" /> </form> <a href="register.html">Register</a> </body> </html>

效果如图9-14所示。

图9-14　登录页面

1.页面交互与填充表单

第一步：初始化Firefox驱动，打开html文件，由于是本地文件，可以使用下面方式打开。

driver = webdriver.Firefox()
driver.get("file:// /e:/login.html")

第二步：获取用户名和密码的输入框，和登录按钮。

username = driver.find_element_by_name('username')
password = driver.find_element_by_xpath(".// *[@id='loginForm']/input[2]")
login_button = driver.find_element_by_xpath("// input[@type='submit']")

第三步：使用send_keys方法输入用户名和密码，使用click方法模拟点击登录。

username.send_keys("qiye")
password.send_keys("qiye_pass")
login_button.click()

如果想清除username和password输入框的内容，可以使用clear方法。

username.clear()
password.clear()

上面还有一个问题没解决，如何操作下拉选项卡选择登录方式呢？第一种方法代码如下：

select = driver.find_element_by_xpath("// form/select")
all_options = select.find_elements_by_tag_name("option")
for option in all_options:
print("Value is: %s" % option.get_attribute("value"))
option.click()

在代码中首先获取select元素，也就是下拉选项卡。然后轮流设置了select选项卡中的每一个option选项。这并不是一个非常好的办法。官方提供了更好的实现方式，在WebDriver中提供了一个叫

Select方法，也就是第二种操作方式。代码如下：

from selenium.webdriver.support.ui import Select
select = Select(driver.find_element_by_xpath('// form/select '))
select.select_by_index(index)
select.select_by_visible_text("text")
select.select_by_value(value)

它可以根据索引、文字、value值来选择选项卡中的某一项。

如果select标记中multiple=“multiple”，也就是说这个select标记支持多选，Select对象提供了支持此功能的方法和属性。示例如下：

·取消所有的选项：select.deselect_all（）

·获取所有的选项：select.options·获取已选中的选项：select.all_selected_options

2.元素拖拽

元素的拖拽即将一个元素拖到另一个元素的位置，类似于拼图。

首先要找到源元素和目的元素，然后使用ActionChains类可以实现。

代码如下：

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

3.窗口和页面frame的切换

一个浏览器一般都会开多个窗口，我们可以switch_to_window方法实现指定窗口的切换。示例如下：

driver.switch_to_window("windowName")

也可以通过window handle来获取每个窗口的操作对象。示例如下：

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

如需切换页面frame，可以使用switch_to_frame方法，示例如下：

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

4.弹窗处理

如果你在处理页面的过程中，触发了某个事件，跳出弹框。可以使用switch_to_alert获取弹框对象，从而进行关闭弹框、获取弹框信息等操作。示例如下：

alert = driver.switch_to_alert()
alert.dismiss()

5.历史记录

操作页面的前进和后退功能，示例如下：

driver.forward()
driver.back()

6.Cookie处理

可以使用get_cookies方法获取cookie，也可以使用add_cookie方法添加cookie信息。示例如下：

driver.get("http://www.baidu.com")
cookie = {'name': 'foo', 'value' : 'bar'} driver.add_cookie(cookie)
driver.get_cookies()

7.设置phantomJS请求头中User-Agent

这个功能在爬虫中非常有用，一般针对phantomJS的反爬虫措施都会检测这个字段，默认的User-Agent中含有phantomJS内容，可以通过代码进行修改。代码如下：

dcap = dict(DesiredCapabilities.PHANTOMJS)
dcap["phantomjs.page.settings.userAgent"] = ( "Mozilla/5.0 (Linux; Android 5.1.1; Nexus 6 Build/LYZ28E) AppleWebKit/537.
36 (KHTML, like Gecko) Chrome/48.0.2564.23 Mobile Safari/537.36"

)
driver = webdriver.PhantomJS()# desired_capabilities=dcap)
driver.get("http://www.google.com")
driver.quit()

9.4.5　等待

由于现在很多网站采用Ajax技术，不确定网页元素什么时候能被完全加载，所以网页元素的选取会比较困难，这时候就需要等待。

Selenium有两种等待方式，一种是显式等待，一种是隐式等待。

1.显式等待

显式等待是一种条件触发式的等待方式，指定某一条件直到这个条件成立时才会继续执行，可以设置超时时间，如果超过这个时间元素依然没被加载，就会抛出异常。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 driver = webdriver.Firefox()
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()

以上代码加载http://somedomain/url_that_delays_loading页面，并定位id为myDynamic Element的元素，设置超时时间为10s。

WebDriverWait默认会500ms检测一下元素是否存在。

Selenium提供了一些内置的用于显式等待的方法，位于

expected_conditions类中，方法名称如表9-7所示：

表9-7　内置方法

2.隐式等待

隐式等待是在尝试发现某个元素的时候，如果没能立刻发现，就等待固定长度的时间，类似于socket超时，默认设置是0秒。一旦设置了隐式等待时间，它的作用范围是Webdriver对象实例的整个生命周期，也就是说Webdriver执行每条命令的超时时间都是如此。如果大家感觉设置的时间过长，可以进行不断地修改。使用方法示例如下：

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

3.线程休眠

time.sleep（time），这是使用线程休眠延时的办法，也是比较常用的。