前 言
所谓爬虫，简单来说就是通过网络请求获取内容并解析出结果的过程，当中以网页爬虫最为常见。然而随着Web应用的日益复杂化，各种Ajax和JS加持的Web页面对于爬虫来说，在请求内容这第一步就造成了不小难度。爬虫工程师们往往不得不苦于分析网页请求中各种不明意义的字段，开始一段心酸的JS探寻之旅。而此时，来自测试领域的一套自动化测试工具，却给爬虫工程师们带了新的曙光——她，就是Selenium。
关于Selenium
Selenium是一套Web应用的自动化测试框架，拥有完整的浏览器支持，通过模拟浏览器的真实操作实现Web应用测试，并且提供简单好用的录制/回放工具让使用者无需了解脚本语言就能写出可以执行的测试用例。
Selenium底层由各种web driver驱动，提供丰富的API接口。对Python/Java等语言的支持，再配合上headless的浏览器（如PhantomJS），注定会成为爬虫工程师手中的利器！
实践看亮点
准备
Python 2.7.12
python-selenium 3.0.0
Selenium Webdriver(本文因可视化展示所需，所以用到chromedriver，实际爬虫应用中，一般常用PhantomJS作为headless浏览器)
亮点
1、完整的Web支持
得益于Selenium的运行机制，因为实际启用了浏览器，所以能够对Web应用进行完整的支持。一句话：浏览器看到的样子就是爬虫可以获取到的内容，所以在用Selenium编写爬虫的过程中，爬虫开发者不用再纠结于网页请求的分析，只需关注于页面解析即可。
以某企业信息查询网站查询“星巴克”为例，抓包可知其实际查询请求如下：
如图可见该接口的请求cookie中带有一个神奇的token字段。令人比较遗憾的是，该token并非是来自于其它请求的返回，而是由JS生成。
通常情况下，需要找到生成该token的JS代码段，分析其输入输出，使用JS执行器或者将该部分JS的逻辑自行实现，以获得token。而使用Selenium编写爬虫，则不用关心这个部分，短短几行就可以完成一次页面查询。代码示例：
从查询结果页的URL来看，我们还能更进一步简化查询操作，甚至一句代码就能完成，如下：
2、支持响应式交互
浏览网页中，经常会遇到执行某些操作后才出现相关页面元素的情况。这种场景用普通爬虫方式很难模拟，但对于Selenium来说，却有着先天优势。
以中国电信登录页为例，对于多次登录错误的帐号会出现图片验证码，而该验证码只有在输入帐号后才会出现。普通做法，分析整个过程中执行了哪些请求，请求cookie和请求参数如何获得，然后模拟发送请求获取结果。例如该场景中，通过抓包分析可知当中有三次关键请求（如图）。
第一次根据号码获得城市代码，第二次检查对应手机号登录是否需要验证码，第三次获取验证码图片。
然而仅仅看这三次请求，其所需输入都是欠缺的，因此整个分析过程会变得非常繁杂。此时使用Selenium直接模拟登录操作，不失为一种简单有效的方法。整个模拟过程如图所示：
代码示例：
3、丰富的html解析支持
Selenium API提供丰富的方法获取页面元素，支持多种方式进行元素定位选择，比如根据元素id，name，xpath，css选择器等。
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
当然同时也支持直接返回网页源代码，然后再自行使用其它第三方html解析库进行解析。
4、动作链（ActionChains）
动作链是Selenium提供的用于模拟自动化交互的方式，如鼠标移动，鼠标按键点击，键盘按键点击和复杂菜单交互等等。在复杂的动作场景中，比如拖拽和滑动，非常有用。
基于此，Selenium爬虫可以实现一些普通爬虫难以实现的功能，比如特征位点击、滑动验证码自动验证等。以某常见滑动验证码为例，合理使用动作链可以实现自动验证，效果如下图所示：
注：具体实现方式不在本文敖述，大概思路为：获取完整背景图片及缺块图片，通过比较获得缺块位置，得出滑动距离，再用Selenium模拟鼠标拖拽滑动实现自动滑动验证。示例中可以看出两次尝试后才验证成功。因此成功率并非100%，所以加入自动重试以保证验证结果。
总结
优点
通过以上几个例子可以看出，在网页爬虫中应用Selenium的优势特别明显。
完全浏览器化的操作简化掉了请求分析的过程，让爬虫开发更多关注于页面解析和结果处理。
爬虫实现难度比较低。对于某些特殊的场景，比如对同样功能的查询类网站进行查询接口封装，Selenium能够通过模拟浏览器的查询操作快速实现。
缺点
因为Selenium实际上使用了浏览器，所以其缺点也显而易见。
资源占用大，每开一个浏览器进程就会占用将近20MB左右内存，在爬虫应用中需要进行及时关闭释放，因此这也注定了Selenium爬虫不适用于批量爬取。
速度慢，因为浏览器请求页面会加载所有相关的资源请求，同时还有页面操作的模拟过程，会导致爬虫的执行周期较长，因此也不适用于即时性要求较高的场景。
来自于测试领域的Selenium，对于爬虫应用来说是一柄利剑同时也是一把重剑，只有恰当的取舍和准确的使用才能真正达到“他山之石，可以攻玉”的最终目的。
本文作者：彭英杰（点融黑帮），就职于点融成都Data Team，负责接口集成以及爬虫开发工作。喜欢折腾新事物，爱游戏，爱运动。
