Python 爬虫基础之 Selenium 详解

本文章中所有内容仅供学习交流使用，不用于其他任何目的，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关。

1. Selenium简介

  Selenium 是一个用于 Web 应用程序测试的工具。最初是为网站自动化测试而开发的，可以直接运行在浏览器上，支持的浏览器包括 IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera 和 Edge 等。
  爬虫中使用它是为了解决 requests 无法直接执行 JavaScript 代码的问题。Selenium 本质上是通过驱动浏览器，彻底模拟浏览器的操作，好比跳转、输入、点击、下拉等，来拿到网页渲染之后的结果。Selenium 是 Python 的一个第三方库，对外提供的接口能够操作浏览器，从而让浏览器完成自动化的操作。

2. 为什么使用Selenium？

  Selenium 能模拟浏览器功能自动执行网页中的 JavaScript 代码，实现动态加载。

3. Selenium的安装

  谷歌浏览器驱动下载地址：https://registry.npmmirror.com/binary.html?path=chromedriver/
  查看自己谷歌浏览器的版本，我这里的版本是正式版本116.0.5845.188，驱动下载地址最新的只有114.0.5735.90，所以只能去官网的测试页面下载118.0.5993.70版本的驱动（https://googlechromelabs.github.io/chrome-for-testing/#stable，版本向下兼容），然后把下载的压缩包解压，将exe文件放入 PyCharm 项目的根目录下。
  之后执行pip install selenium命令，安装 selenium 库。

4. Selenium的使用

from selenium import webdriver

# 创建浏览器操作对象
path = 'chromedriver.exe'
browser= webdriver.Chrome('path')

# 访问网站
url = 'https://www.baidu.com'

browser.get(url)
# content = browser.page_source
# print(content)

  需要注意的是，如果你的 selenium 是4.11.2以上的版本，不需要设置driver.exe的路径，selenium 可以自己处理浏览器的驱动程序，因此代码直接改为brower = webdriver.Chrome()即可。
  运行代码，得到下面的效果：

5. Selenium的元素定位

  自动化工具要做的就是模拟鼠标和键盘来操作点击、输入等等元素，但是操作这些元素的前提是找到它们，WebDriver 提供了很多元素定位的方法：

• 根据标签 id 获取元素：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser= webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  button = browser.find_element(By.ID, 'su')
  # button = browser.find_elements(By.ID, 'su')
  print(button)

• 根据标签 name 属性的值获取元素：

  button = browser.find_element(By.NAME, 'wd')
  print(button)

• 根据 Xpath 语句获取元素；

  button = browser.find_element(By.XPATH, '//input[@id="su"]')
  print(button)

• 根据标签名获取元素：

  button = browser.find_elements(By.TAG_NAME, 'input')
  print(button)

• 根据 bs4 语法获取元素：

  button = browser.find_elements(By.CSS_SELECTOR, '#su')
  print(button)

• 根据标签的文本获取元素（精确定位）：

  button = browser.find_elements(By.LINK_TEXT, '地图')
  print(button)

• 根据标签的文本获取元素（模糊定位）：

  button = browser.find_elements(By.PARTIAL_LINK_TEXT, '地')
  print(button)

• 根据 class 属性获取元素：

  button = browser.find_element(By.CLASS_NAME, 'wrapper_new')
  print(button)

  当我们定位到元素之后，自然就要考虑如何获取到元素的各种信息，selenium 给我们提供了获取元素不同信息的方法：

• 获取元素属性：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser= webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  button = browser.find_element(By.ID, 'su')
  print(input.get_attribute('class'))

• 获取元素标签名：

  input = browser.find_element(By.ID, 'su')
  print(input.tag_name)

• 获取元素文本：

  input = browser.find_element(By.ID, 'su')
  print(input.text)

• 获取元素位置：

  input = browser.find_element(By.ID, 'su')
  print(input.location)

• 获取元素大小：

  input = browser.find_element(By.ID, 'su')
  print(input.size)

6. Selenium的交互

  页面交互指的是我们平时在浏览器上的各种操作，比如输入文本、点击链接、回车、下拉框等，下面就演示 selenium 是如何进行页面交互的。

• 输入文本：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  import time
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser = webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  # 定位输入框
  input = browser.find_element(By.ID, 'kw')
  # 输入文本selenium
  input.send_keys('selenium')
  time.sleep(2)
  
  # 关闭浏览器
  browser.close()

• 点击：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  import time
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser = webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  # 定位输入框
  input = browser.find_element(By.ID, 'kw')
  # 输入文本selenium
  input.send_keys('selenium')
  time.sleep(2)
  
  # 定位百度一下的按钮
  button = browser.find_element(By.ID, 'su')
  # 点击按钮
  button.click()
  time.sleep(2)
  
  # 关闭浏览器
  browser.close()

• 清除文本：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  import time
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser = webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  # 定位输入框
  input = browser.find_element(By.ID, 'kw')
  # 输入文本selenium
  input.send_keys('selenium')
  time.sleep(2)
  
  # 清除selenium
  input.clear()
  time.sleep(2)
  
  # 关闭浏览器
  browser.close()

• 回车确认：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  import time
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser = webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  # 定位输入框
  input = browser.find_element(By.ID, 'kw')
  # 输入文本selenium
  input.send_keys('selenium')
  time.sleep(2)
  
  # 回车查询
  input.submit()
  time.sleep(2)
  
  # 关闭浏览器
  browser.close()

• 运行 JavaScript：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  import time
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser = webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  # 定位输入框
  input = browser.find_element(By.ID, 'kw')
  # 输入文本selenium
  input.send_keys('selenium')
  time.sleep(2)
  
  # 回车查询
  input.submit()
  time.sleep(2)
  
  # js代码
  js_bottom = 'document.documentElement.scrollTop=100000'
  # 下拉进度条，页面滑动
  browser.execute_script(js_bottom)
  time.sleep(2)
  
  # 关闭浏览器
  browser.close()

• 前进后退

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  import time
  
  # 创建浏览器操作对象
  # path = 'chromedriver.exe'
  browser = webdriver.Chrome()
  
  # 访问网站
  url = 'https://www.baidu.com'
  browser.get(url)
  
  # 定位输入框
  input = browser.find_element(By.ID, 'kw')
  # 输入文本selenium
  input.send_keys('selenium')
  time.sleep(2)
  
  # 回车查询
  input.submit()
  time.sleep(2)
  
  # js代码
  js_bottom = 'document.documentElement.scrollTop=100000'
  # 页面滑动
  browser.execute_script(js_bottom)
  time.sleep(2)
  
  # 定位下一页的按钮
  next = browser.find_element(By.XPATH, '//a[@class="n"]')
  # 点击下一页
  next.click()
  time.sleep(2)
  
  # 返回到上一页面
  browser.back()
  time.sleep(2)
  
  # 前进到下一页
  browser.forward()
  time.sleep(2)
  
  # 关闭浏览器
  browser.close()

7. Chrome handless

  在上面的测试过程中可以发现，虽然 selenium 简便好用，但是它的运行速度很慢，这是因为 selenium 是有界面的，需要执行前端 css 和 js 的渲染。那么下面就介绍一个无界面的浏览器，Chrome-handless 模式，运行效率要比真实的浏览器快很多，在 selenium 的基础上，支持页面元素查找、js 执行等，代码和 selenium 一致。
  使用前提：

• Chrome
  • Unix\Linux chrome >= 59
  • Windows chrome >= 60
• Python >= 3.6
• Selenium >= 3.4.*

from selenium import webdriver

def share_browser():
    # headless自带配置，不需要再做额外的修改
    from selenium.webdriver.chrome.options import Options
    # 初始化
    chrome_options = Options()
    chrome_options.add_argument('‐‐headless')
    chrome_options.add_argument('‐‐disable‐gpu')
    # 谷歌浏览器的安装路径
    path = r'C:\Users\\AppData\Local\Google\Chrome\Application\chrome.exe'
    chrome_options.binary_location = path
    browser = webdriver.Chrome(options=chrome_options)
    return browser

browser = share_browser()
url = 'https://www.baidu.com'
browser.get(url)

# 本地保存照片
browser.save_screenshot('baidu.png')

参考文献

  【1】http://www.noobyard.com/article/p-boitcibx-g.html
  【2】https://www.jb51.net/article/149145.htm
  【3】https://zhuanlan.zhihu.com/p/462460461
  【4】https://blog.csdn.net/weixin_67553250/article/details/127555724
  【5】https://www.cnblogs.com/Summer-skr–blog/p/11491078.html
  【6】https://www.bilibili.com/video/BV1Db4y1m7Ho?p=77