2020-07-18--selenium爬取动态页面

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，例如点击下拉等操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见既可爬。对于一些js动态渲染的页面来说，此种爬取方式非常有效。

安装selenium

pip install selenium

在Google浏览器中配置ChromeDriver

点击Google菜单帮助 -> 关于Google Chrome -> 查看版本号（版本 71.0.3578.98（正式版本）（64 位））

下载ChromeDriver https://chromedriver.storage.googleapis.com/index.html

对比自己浏览器版本下载相应版本

解压后把文件放到 python的script目录下或者Anaconda的Script目录下。
例如：E:\Anaconda\Scripts\

测试在python程序中执行

from selenium import webdriver
browser = webdriver.Chrome()

程序运行后弹出空白的Chrome浏览器说明我们之前配置都没有问题

基本使用

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()

可以看到自动弹出浏览器首先跳转百度然后搜索框输入Python 接着跳转搜索结果页
搜索结果出来后控制台输出当前URL Cookies 网页源代码
使用selenium 驱动浏览器加载网页就可以拿到js渲染结果了不用担心什么加密系统

声明浏览器对象

Selenium 支持非常多的浏览器例如 Chrome Firefox Edge等还有Android BlackBerry等手机端浏览器也支持PhantomJS 无界面浏览器

初始化方法：

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()
browser = webdriver.Edge()
browser = webdriver.PhantomJS()
browser = webdriver.Safari()

访问页面

get() 方法请求页面参数传入链接URL 例如访问淘宝

from selenium import webdriver

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

弹出Chrome浏览器自动访问淘宝控制台输出网页源代码随后浏览器关闭

查找节点

Selenium 可以驱动浏览器完成各种操作，例如填充表单，模拟点击等例如想要完成某个输入框输入文字操作需要查找输入框位置

单个节点：

例如淘宝页面提取搜索框节点

id是q name是q

利用 find_element_by_name() 获取name值 find_element_by_id() 获取id 还可以根据xpath CSS选择器等获取方式

示例如下：

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()

返回WebElement类型

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()

另外还提供了通用方法 find_element() 需要传入两个参数：1.查找方式 2.值例如：find_element(By.ID,id) 等价于 find_element_by_id(id)
示例如下：

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()

多个节点：

find_elements() 查找所有满足条件的节点
示例：查找淘宝左侧导航条的所有条目

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('http://www.taobao.com')
lis = browser.find_elements_by_css_selector('.service-bd li')
print(lis)
browser.close()

返回列表每个元素是WebElement类型

获取多个节点的方法：

find_elements_by_id()
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()

节点交互

send_keys() 输入文字
clear() 清空文字
click() 点击按钮

实例：

from selenium import webdriver

dr = webdriver.Chrome()

# 打开淘宝,get方法无返回值
dr.get('https://www.taobao.com')
#查找淘宝搜索框id为q
input = dr.find_element_by_id('q')
#搜索框中键入ipone
input.send_keys('iphone')
#休眠一秒
time.sleep(1)
#清空搜索框
input.clear()
#重新键入ipad
input.send_keys('iPad')
#查找搜索按钮
# btn = dr.find_element_by_css_selector('button.btn-search.tb-bg')
btn1 = dr.find_element_by_class_name('btn-search.tb-bg')
#点击按钮
btn1.click()

首先打开淘宝获取输入框输入iphone文字等待一秒清空输入框输入ipad 说去搜索按钮点击按钮。

动作链

例如鼠标拖拽键盘按键等动作。
实例：

from selenium import webdriver
from selenium.webdriver import ActionChains

dr = webdriver.Chrome()

url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
dr.get(url)

#切换浏览器对象
dr.switch_to.frame('iframeResult')

#作用对象
source = dr.find_element_by_css_selector('#draggable')
target = dr.find_element_by_css_selector('#droppable')

#为浏览器生成动作链对象
actions = ActionChains(dr)
#调用方法传入参数
actions.drag_and_drop(source,target)
#执行动作
actions.perform()

完成如此下动作

鼠标拖拽方框到指定位置。

执行javascript

from selenium import webdriver

dr = webdriver.Chrome()
dr.get('https://www.zhihu.com/explore')

'''
每一秒向下浏览500的浏览器高度
'''
st = 'let x = 0;' \
     'window.setInterval(function(){' \
     'window.scrollTo(x,x+500);' \
     'x=x+500;' \
     '},1000)'
dr.execute_script(st)

浏览器自动向下滑动。

获取节点信息

获取属性 get_attribute() 方法获取节点属性前提是选中这个节点

获取文本值 href属性和text文本

import time

from selenium import webdriver

browser = webdriver.Chrome()

'''
<ul class="nav-hd ">
<li><a href="https://www.tmall.com?spm=a21bo.2017.201859.1.319b11d9lcQUm5" data-spm-anchor-id="a21bo.2017.201859.1">天猫</a></li>
<li><a href="https://ju.taobao.com" data-spm-anchor-id="a21bo.2017.201859.2">聚划算</a></li>
<li><a href="https://chaoshi.tmall.com" data-spm-anchor-id="a21bo.2017.201859.3">天猫超市</a></li>
</ul>
'''
browser.get('http://www.taobao.com')

#查找超链接a元素，返回列表
list = browser.find_elements_by_css_selector('ul.nav-hd li a')
print(list)

#遍历列表
for ele in list:
    print(type(ele))
    print(ele.text)
    print(ele.get_attribute('href'))
    time.sleep(1)
    
browser.close()

结果：

切换frame

页面中有一种节点iframe 也就是frame 相当于当前页面的子页面结构和外部网页结构完全一致 selenium 打开页面默认是在父级frame里面操作，如果里面还有子页面是获取不到里面节点的需要使用 switch_to.frame() 方法切换子frame。
browser.switch_to.frame('iframeResult')#切换到子frame
如果要切换出来---到父页面中:
browser.switch_to.parent_frame()#切换到父frame

实例：

子页面：

查询logo代码：

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')#切换到子frame
try:
　　logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
　　print('NO LOGO')
browser.switch_to.parent_frame()#切换到父frame
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

因为logo是在原有的页面上，当切换到iframe子页面中时，是取不到logo的，所以要在父页面中查询。

延时等待

selenium中get方法会在网页框架加载结束后结束执行如果此时获取page_source 可能并不是网页加载完全的页面如果某些页面存在ajax加载网页源代码也不一定能获取的到所以需要延时等待一定时间，确保节点已经加载出来

两种方式：隐式等待显式等待

1.隐式等待

当使用隐式等待时 selenium没有在DOM中找到节点将继续等待超出设置时间后抛出异常默认时间是0 示例： implicitly_wait() 方法

from selenium import webdriver
from selenium.webdriver.common.by import By

browser = webdriver.Chrome()

browser.get('https://www.taobao.com')
#隐式等待：1秒钟接收不到元素，报错
#等待1秒
browser.implicitly_wait(1)

#查找元素
input_first = browser.find_element(By.ID,'q')
print(input_first)

browser.close()

2.显式等待 until() 方法

如果页面加载受网络条件影响隐式效果就不是很好

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait#引入 WebDriverWait对象

browser = webdriver.Chrome()
browser.get('https://www.taobao.com/')
wait = WebDriverWait(browser,10)         #等待对象wait，最长等待时间
input = wait.until(EC.presence_of_element_located((By.ID,'q')))#调用until方法 节点出现，停止等待
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'.btn-search')))#调用until方法 当按钮可点击时，停止等待
print(input,button)

更多等待条件

title_is() 标题是某内容
title_contains()    标题包含某内容
presence_of_element_located() 节点加载出来 传入定位元组 例如（By.ID,'P'）
visibility_of_element_located()    节点可见 传入定位元组
visibility_of() 可见 传入节点对象
presence_of_all_element_located()    所有节点加载出来
text_to_be_present_in_element()    某个节点文本包含某文字
text_to_be_present_in_element_value()    某个节点值包含某文字
frame_to_be_available_and_switch_to_it()加载并切换
invisibility_of_element_located()    节点不可见
element_to_be_clickable() 节点可点击
staleness_of()    判断一个节点是否仍在DOM 可判断页面是否刷新
element_located_to_be_selected()    节点可选择 传入节点对象
element_selection_state_to_be()    传入节点对象以及状态 相等返回True 否则False
element_located_selected_to_be() 传入定位元组以及状态 相等返回True 否则False
alert_is_present()    是否出现警告

前进和后退

forward() 方法前进
back()方法后退。

也就是操作js的History对象。
示例：

import time
from selenium import webdriver

browser = webdriver.Chrome()
# 依次访问baidu和taobao
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')

#返回baidu
browser.back()
time.sleep(1)
#进入taobao
browser.forward()

Cookies

获取 get_cookies()
添加 add_cookie()
删除 delete_all_cookies()

示例：

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
#获取cookie
print(browser.get_cookies())

#添加cookie
browser.add_cookie({'name':'zhangsan','domain':'wwww.zhihu.com','value':'germery'})
print(browser.get_cookies())

#删除cookie
browser.delete_cookie()
print(browser.get_cookies())

选项卡管理

在访问网页时会出现一个个选项卡 selenium可以对选项卡进行操作

示例：

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https:www.baidu.com')
#打开一个新的选项卡窗口
browser.execute_script('window.open()')
#选项卡对象列表
print(browser.window_handles)

time.sleep(1)
#切换到第二个选项卡窗口
browser.switch_to_window(browser.window_handles[1])
#打开taobao
browser.get('https://www.taobao.com')

time.sleep(1)
#切换到第一个选项卡窗口
browser.switch_to_window(browser.window_handles[0])
#打开知乎
browser.get('https://www.zhihu.com')

打开baidu。，在打开新的选项卡，现在有两个选项卡了，切换到第二个选项卡，打开taobao，切换到第一个选项卡，打开知乎。

异常处理

在使用selenium的过程中难免会出现一些异常例如超时节点未找到一旦出现此类错误程序就不会执行了使用 try except 捕获异常

示例：节点未找到

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https:www.baidu.com')
browser.find_element_by_id('hello')

报错 NoSuchElementException
防止程序遇到异常中断捕获异常示例：

from selenium import webdriver
from selenium.common.exceptions import TimeoutException,NoSuchElementException

browser = webdriver.Chrome()

#超时异常
try:
    browser.get('https://www.baidu.com')
except TimeoutException:
    print('Time Out')

#未找到元素异常
try:
    browser.find_element_by_id('hello')
except NoSuchElementException:
    print('No Element')

browser.close()

出现异常时，会输出相应内容。

综合实战----爬取网易云音乐评论

rom selenium import webdriver
import time
from pyquery import PyQuery as pq

dr = webdriver.Chrome()
# dr.maximize_window()
dr.get('https://music.163.com/#/song?id=31877470')

# 进入浮动窗口，通过name查找
dr.switch_to.frame('contentFrame')
#输出代码
src = dr.page_source
#准换pq对象
doc = pq(src)
# print(src)
# time.sleep(3)
#查找歌名文本
name = dr.find_element_by_css_selector('em.f-ff2')
print(name.text)

'''
歌词部分：
<div id="lyric-content" class="bd bd-open f-brk f-ib" data-song-id="31877470" data-third-copy="false" ,="" copy-from="">
    作曲 : 昔日布道尔吉<br>作词 : 贾樟柯 / 左小祖咒<br><br>你走了那么多年<br><br>你还在我的身边<br><br>那一天你微笑的脸<br><br>
    如今闭上眼 我还能看得见<br><br>穿过旷野的风 你慢些走<br><br>
    
    <div id="flag_more" class="f-hide">
    我用沉默告诉你 我醉了酒<br><br>乌兰巴托的夜 那么静那么静<br><br>连风都听不到 听不到<br><br>飘向天边的云 你慢些走<br><br>
    我用奔跑告诉你 我不回头<br><br>乌兰巴托的夜 那么静那么静<br><br>连云都不知道 不知道<br><br>乌兰巴托的夜<br><br>嘿 你在<br><br>
    你在这世界 每个角落存在<br><br>嘿 你在<br><br>你穿过风<br>穿过云 穿过一切 回来<br><br>乌兰巴托的夜 那么静那么静<br><br>连风都听不到 听不到<br><br>
    乌兰巴托的夜 那么静那么静<br><br>连云都不知道 不知道<br><br>我们的世界改变了什么<br><br>我们的世界期待着什么<br><br>我们的世界剩下些什么<br><br>
    我们的世界只剩下荒漠<br><br>穿过旷野的风 你慢些走<br><br>唱歌的人不时掉眼泪<br>
    </div>
    <div class="crl">
        <a id="flag_ctrl" href="javascript:void(0)" class="s-fc7">展开<i class="u-icn u-icn-69"></i></a>
    </div>
</div>
'''
'''
展开按钮：
<div class="crl">
    <a id="flag_ctrl" href="javascript:void(0)" class="s-fc7">展开<i class="u-icn u-icn-69"></i></a>
</div>
'''


#播放歌曲按钮
play = dr.find_element_by_css_selector('a.u-btn2.u-btn2-2.u-btni-addply.f-fl')
play.click()

#歌词
morebody = doc('div#lyric-content')
print(morebody.text())