Python之Selenium自动化爬虫
Harris-H 人气:0Python之Selenium自动化爬虫
0.介绍
Selenium是一个Web的自动化测试工具,最初是为网站自动化测试而开发的,Selenium 可以直接运行在浏览器上,它支持所有主流的浏览器(包括PhantomJS这些无界面的浏览器(2018年开发者说暂停开发,chromedriver也可以实现同样的功能)),可以接收指令,让浏览器自动加载页面,获取需要的数据,甚至页面截屏。
1.安装
pip install selenium -i http://pypi.tuna.tsinghua.edu.cn/simple
2.下载浏览器驱动
这里用的谷歌浏览器
http://npm.taobao.org/mirrors/chromedriver/
查看自己的浏览器版本下载对应的驱动。
把解压后的驱动放在自己的python.exe 目录下。
3.实例
我之前写过3个实例
4.开启无头模式
是否开启无头模式(即是否需要界面)
from selenium.webdriver import Chrome from selenium.webdriver.chrome.options import Options option = Options() # 实例化option对象 option.add_argument("--headless") # 给option对象添加无头参数 option.headless = True #这种方式也可以 if __name__ == '__main__': web = Chrome(executable_path='D:\PyProject\spider\venv\Scripts\chromedriver.exe',options=option) # 指定驱动位置,否则从python解释器目录下查找. web.get("https://baidu.com") print(web.title)
5.保存页面截图
from selenium.webdriver import Chrome from selenium.webdriver.chrome.options import Options option = Options() # 实例化option对象 option.add_argument("--headless") # 给option对象添加无头参数 if __name__ == '__main__': web = Chrome() web.maximize_window() # 浏览器窗口最大化 web.get("https://baidu.com") print(web.title) web.save_screenshot('baidu.png') # 保存当前网页的截图 保存到当前文件夹下 web.close() # 关闭当前网页
6.模拟输入和点击
from selenium.webdriver import Chrome from selenium.webdriver.chrome.options import Options option = Options() # 实例化option对象 option.add_argument("--headless") # 给option对象添加无头参数 if __name__ == '__main__': web = Chrome() web.maximize_window() # 浏览器窗口最大化 web.get("https://baidu.com") el = web.find_element_by_id('kw') el.send_keys('Harris-H') btn = web.find_element_by_id('su') btn.click() # web.close() # 关闭当前网页
貌似现在百度可以识别出selenium,还需要图片验证。
a.根据文本值查找节点
# 找到文本值为百度一下的节点 driver.find_element_by_link_text("百度一下") # 根据链接包含的文本获取元素列表,模糊匹配 driver.find_elements_by_partial_link_text("度一下")
b.获取当前节点的文本
ele.text # 获取当前节点的文本 ele.get_attribute("data-click") # 获取到属性对应的value
c.打印当前网页的一些信息
print(driver.page_source) # 打印网页的源码 print(driver.get_cookies()) # 打印出网页的cookie print(driver.current_url) # 打印出当前网页的url
d.关闭浏览器
driver.close() # 关闭当前网页 driver.quit() # 直接关闭浏览器
e.模拟鼠标滚动
from selenium.webdriver import Chrome import time if __name__ == '__main__': driver = Chrome() driver.get( "https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=78000241_12_hao_pg&wd=selenium%20js%E6%BB%91%E5%8A%A8&fenlei=256&rsv_pq=8215ec3a00127601&rsv_t=a763fm%2F7SHtPeSVYKeWnxKwKBisdp%2FBe8pVsIapxTsrlUnas7%2F7Hoo6FnDp6WsslfyiRc3iKxP2s&rqlang=cn&rsv_enter=1&rsv_dl=tb&rsv_sug3=31&rsv_sug1=17&rsv_sug7=100&rsv_sug2=0&rsv_btype=i&inputT=9266&rsv_sug4=9770") # 1.滚动到网页底部 js = "document.documentElement.scrollTop=1000" # 执行js driver.execute_script(js) time.sleep(2) # 滚动到顶部 js = "document.documentElement.scrollTop=0" driver.execute_script(js) # 执行js time.sleep(2) driver.close()
7.ChromeOptions
options = webdriver.ChromeOptions() options.add_argument("--proxy-server=http://110.52.235.176:9999") # 添加代理 options.add_argument("--headless") # 无头模式 options.add_argument("--lang=en-US") # 网页显示英语 prefs = {"profile.managed_default_content_settings.images": 2, 'permissions.default.stylesheet': 2} # 禁止渲染 options.add_experimental_option("prefs", prefs) driver = webdriver.Chrome(executable_path="D:\ProgramApp\chromedriver\chromedriver73.exe",chrome_options=options) driver.get("http://httpbin.org/ip")
8.验证滑块移动
""" 目标:滑动验证码 1.定位按钮 2.按住滑块 3.滑动按钮 """ import time from selenium import webdriver if __name__ == '__main__': chrome_obj = webdriver.Chrome() chrome_obj.get('https://www.helloweba.net/demo/2017/unlock/') # 1.定位滑动按钮 click_obj = chrome_obj.find_element_by_xpath('//div[@class="bar1 bar"]/div[@class="slide-to-unlock-handle"]') # 2.按住 # 创建一个动作链对象,参数就是浏览器对象 action_obj = webdriver.ActionChains(chrome_obj) # 点击并且按住,参数就是定位的按钮 action_obj.click_and_hold(click_obj) # 得到它的宽高 size_ = click_obj.size width_ = 298 - size_['width'] # 滑框的宽度 减去 滑块的 宽度 就是 向x轴移动的距离(向右) print(width_) # 3.定位滑动坐标 action_obj.move_by_offset(298-width_, 0).perform() # 4.松开滑动 action_obj.release() time.sleep(6) chrome_obj.quit()
9.打开多窗口和页面切换
有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。selenium提供了一个叫做switch_to_window来进行切换,具体切换到哪个页面,可以从driver.window_handles中找到
from selenium import webdriver if __name__ == '__main__': driver = webdriver.Chrome() driver.get("https://www.baidu.com/") driver.implicitly_wait(2) driver.execute_script("window.open('https://www.douban.com/')") driver.switch_to.window(driver.window_handles[1]) print(driver.page_source)
第二个实例
if __name__ == '__main__': from selenium import webdriver import time driver = webdriver.Chrome() start_url = 'https://www.baidu.com' start_url_1 = 'https://www.csdn.net' driver.get(start_url) time.sleep(5) """通过执行js代码,打开浏览器窗口,访问地址""" js = 'window.open("{}")'.format(start_url_1) driver.execute_script(js) time.sleep(5) """获取浏览器所有窗口:注意点:窗口的切换是通过下标控制的""" win = driver.window_handles # 执行切换 driver.switch_to.window(win[0]) time.sleep(2) driver.switch_to.window(win[1]) time.sleep(2) driver.switch_to.window(win[0]) time.sleep(2) driver.switch_to.window(win[1]) # 浏览器窗口的关闭 driver.close() # 退出浏览器 driver.quit()
有时候网页会内嵌另一个html。一般称为iframe
from selenium import webdriver driver = webdriver.Chrome() start_url = 'https://mail.163.com/' driver.get(start_url) """定位不成功,在有的情况是因为有页面的嵌套导致的 在一个html源码中有多个html页面,示例:一个html嵌套一个html 以上:又称之为iframe的嵌套 """ # 定位嵌套位置iframe el_iframe = driver.find_elements_by_tag_name('iframe') # 执行iframe的切换 driver.switch_to.frame(el_iframe[0]) # 标签定位 driver.find_element_by_name('email').send_keys('邮箱账号') driver.find_element_by_name('password').send_keys('你的邮箱密码') driver.find_element_by_id('dologin').click()
10.Cookie操作
# 1.获取所有的cookie: for cookie in driver.get_cookies(): print(cookie) # 2.根据cookie的key获取value: value = driver.get_cookie(key) # 3.删除所有的cookie: driver.delete_all_cookies() # 4.删除某个cookie: driver.delete_cookie(key) # 添加cookie: driver.add_cookie({"name":"password","value":"111111"})
11.模拟登录
这里模拟登录我们学校教务处。
from selenium.webdriver import Chrome if __name__ == '__main__': web = Chrome() web.get('http://bkjx.wust.edu.cn/') username = web.find_element_by_id('userAccount') username.send_keys('xxxxxxx') # 这里填自己的学号 password = web.find_element_by_id('userPassword') password.send_keys('xxxxxxx') # 这里填自己的密码 btn = web.find_element_by_xpath('//*[@id="ul1"]/li[4]/button') btn.click() # do something
因为没有滑块啥的验证,所以就很简单qwq。然后后面进行自己的操作即可。
12.使用代理
from selenium import webdriver import time options = webdriver.ChromeOptions() options.add_argument('--proxy-server=http://ip地址') # 代理IP:端口号 # ${chromedriver_path}: chromedriver驱动存放路径 driver = webdriver.Chrome(options=options) driver.get("https://dev.kdlapi.com/testproxy") # 获取页面内容 print(driver.page_source) # 延迟3秒后关闭当前窗口,如果是最后一个窗口则退出 time.sleep(3) driver.close()
14.更换UA
from selenium import webdriver import time agent = 'Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (KHTML, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1' options = webdriver.ChromeOptions() options.add_argument('--user-agent=' + agent) # ${chromedriver_path}: chromedriver驱动存放路径 driver = webdriver.Chrome(options=options) driver.get("https://www.baidu.com") # 获取页面内容 print(driver.page_source) # 延迟3秒后关闭当前窗口,如果是最后一个窗口则退出 time.sleep(3)
15.鼠标悬停
if __name__ == '__main__': from selenium import webdriver from selenium.webdriver.common.action_chains import ActionChains driver = webdriver.Chrome() import time start_url = 'https://lceda.cn/' driver.get(start_url) # 定位到需要悬停的标签 move = driver.find_element_by_xpath('//*[@id="headerNav"]/li[1]/a/span') # //*[@id="headerNav"]/li[1]/a/span # 悬停之后需要点击的标签 a = driver.find_element_by_xpath('/html/body/div[1]/div[2]/div[1]/div[1]/div[3]/div[1]/a[2]') # //*[@id="headerNav"]/li[1]/div/a[2] # /html/body/div[1]/div[2]/div[1]/div[1]/div[1]/div/div/div[1]/ul/li[1]/div/a[2] # 悬停点击执行 # 创建事件对象 actions = ActionChains(driver) time.sleep(1) # 记录操作 actions.move_to_element(move) time.sleep(1.5) # 悬停的点击 actions.click(a) time.sleep(1) # 开始执行事件 actions.perform()
16.优缺点
selenium
能够执行页面上的js,对于js渲染的数据和模拟登陆处理起来非常容易。
selenium
由于在获取页面的过程中会发送很多请求,所以效率非常低,所以在很多时候需要酌情使用。
总结
本篇文章就到这里了,希望能够给你带来帮助,也希望您能够多多关注的更多内容!
加载全部内容