selenium爬虫

Web自动化测试工具，可运行在浏览器，根据指令操作浏览器，
只是工具，必须与第三方浏览器结合使用，相比于之前学的爬虫只是慢了一点而已。而且这种方法爬取的东西不用在意时候ajax动态加载等反爬机制。因此找标签可以直接F12找，不用确定源码中是否存在。

安装

Linux: sudo pip3 install selenium

Windows: python -m pip install selenium

phantomjs浏览器

phantomjs浏览器又叫做无界面浏览器(又称无头浏览器)，在内存中进行页面加载，运行高效。

安装(phantomjs(无界面浏览器)、chromedriver(谷歌浏览器)、geckodriver(火狐浏览器))

Windows

1、下载对应版本的phantomjs <https://phantomjs.org/download.html>、chromedriver
<http://chromedriver.storage.googleapis.com/index.html>、geckodriver
<https://github.com/mozilla/geckodriver/releases>


2、chromedriver下载与谷歌浏览器对应的版本，把chromedriver.exe拷贝到python安装目录的Scripts目录下(添加到系统环境变量)，
查看python安装路径: where python

3、验证，cmd命令行: chromedriver

Linux

1、下载后解压：tar -zxvf geckodriver.tar.gz

2、拷贝解压后文件到 /usr/bin/ （添加环境变量）：sudo cp geckodriver /usr/bin/

3、更改权限

  sudo -i

  cd /usr/bin/

  chmod 777 geckodriver

示例代码一：使用 selenium+谷歌浏览器 打开百度，并截图百度首页
from selenium import webdriver browser = webdriver.Chrome() # 创建浏览器对象
browser.get('http://www.baidu.com/') # 打开百度 browser.save_screenshot('baidu.png')
# 截屏 browser.quit() # 退出浏览器
示例代码二：打开百度，搜索赵丽颖
from selenium import webdriver import time # 创建浏览器对象 - 已经打开了浏览器 browser =
webdriver.Chrome() browser.get('http://www.baidu.com/') # 打开百度 ele =
browser.find_element_by_xpath('//*[@id="kw"]') # 找到搜索框 ele.send_keys('赵丽颖') #
向搜索框发送文字: 赵丽颖 time.sleep(1) # 找到 百度一下 按钮,点击一下 browser.find_element_by_xpath('
//*[@id="su"]').click() time.sleep(2) browser.quit() # 关闭浏览器
 

browser浏览器对象方法

* browser = webdriver.Chrome(executable_path='path')  path为浏览器驱动地址
* browser.get(url)         打开path路径
* browser.page_source：      查看响应内容（网页源代码）
* browser.page_source.find('字符串')：从html源码中搜索指定字符串,没有找到返回：-1
* browser.quit()：关闭浏览器
元素查找

单元素查找(1个节点对象)

* browser.find_element_by_id('')
* browser.find_element_by_name('')
* browser.find_element_by_class_name('')
* browser.find_element_by_xpath('')
* browser.find_element_by_link_text('')
* ... ...
多元素查找([节点对象列表])

* browser.find_elements_by_id('')
* browser.find_elements_by_name('')
* browser.find_elements_by_class_name('')
* browser.find_elements_by_xpath('')
* ... ...
节点对象操作

* .send_keys('')     搜索框发送内容
* .click()　　　　    点击
* .text           获取文本内容
* .get_attribute('src') 获取属性值
* .find("")     　　 查找响应中的字符串 from selenium import webdriver browser =
webdriver.Chrome() browser.get('https://www.qiushibaike.com/text/') # 单元素查找 div
= browser.find_element_by_class_name('content') print(div.text) # 多元素查找:
[<selenium xxx at xxx>,<selenium xxx >] divs =
browser.find_elements_by_class_name('content') for div in divs: print('
*************************') print(div.text) print('*************************')
browser.quit()# 退出浏览器
京东爬虫案例

目标网址 ：https://www.jd.com/
抓取目标 ：商品名称、商品价格、评价数量、商品商家

思路提醒

* 打开京东，到商品搜索页
* 匹配所有商品节点对象列表
* 把节点对象的文本内容取出来，查看规律，是否有更好的处理办法？
* 提取完1页后，判断如果不是最后1页，则点击下一页
实现步骤

找节点

* 首页搜索框 : //*[@id="key"]
* 首页搜索按钮   ://*[@id="search"]/div/div[2]/button
* 商品页的 商品信息节点对象列表 ://*[@id="J_goodsList"]/ul/li
执行JS脚本，获取动态加载数据

　　browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
from selenium import webdriver import time class JdSpider(object): def __init__
(self): self.i= 0 self.url = 'https://www.jd.com/' self.browser =
webdriver.Chrome()# 获取页面信息 - 到具体商品的页面 def get_html(self):
self.browser.get(self.url) self.browser.find_element_by_xpath('//*[@id="key"]'
).send_keys('爬虫书') # 搜索框输入“爬虫书” self.browser.find_element_by_xpath('
//*[@id="search"]/div/div[2]/button').click() # 点击搜索 time.sleep(3) # 给商品页面加载时间 #
解析页面 def parse_html(self): # 把下拉菜单拉到底部,执行JS脚本 self.browser.execute_script('
window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) # 提取所有商品节点对象列表
li列表 li_list = self.browser.find_elements_by_xpath('//*[@id="J_goodsList"]/ul/li
') for li in li_list: info_list = li.text.split('\n') if
info_list[0].startswith('每满') or info_list[1].startswith('￥'): price =
info_list[1] name = info_list[2] comment = info_list[3] shop = info_list[4] elif
info_list[0].startswith('单件'): price = info_list[3] name = info_list[4] comment
= info_list[5] shop = info_list[6] else: price = info_list[0] name = info_list[1
] comment= info_list[2] shop = info_list[3] print(price, comment, shop, name) #
主函数 def main(self): self.get_html() while True: self.parse_html() #
判断是否该点击下一页,没有找到说明不是最后一页 if self.browser.page_source.find('pn-next disabled') ==
-1: self.browser.find_element_by_class_name('pn-next').click() time.sleep(2)
else: break print(self.i) if __name__ == '__main__': spider = JdSpider()
spider.main()
chromedriver设置无界面模式
from selenium import webdriver options = webdriver.ChromeOptions() # 设置无界面
options.add_argument('--headless') # 添加无界面参数 browser = webdriver.Chrome(options=
options) browser.get('http://www.baidu.com/') browser.save_screenshot('baidu.png
') browser.quit()
把上面的代码改为无界面模式
from selenium import webdriver import time class JdSpider(object): def __init__
(self): self.url= 'https://www.jd.com/' self.options = webdriver.ChromeOptions()
# 设置无界面 self.options.add_argument('--headless') # 添加无界面参数 # 正常创建浏览器对象即可
self.browser = webdriver.Chrome(options=self.options) self.i = 0 # 统计商品数 #
获取页面信息 - 到具体商品的页面 def get_html(self): self.browser.get(self.url)
self.browser.find_element_by_xpath('//*[@id="key"]').send_keys('爬虫书') #
搜索框输入“爬虫书” self.browser.find_element_by_xpath('
//*[@id="search"]/div/div[2]/button').click() # 点击搜索 time.sleep(3) # 给商品页面加载时间
def parse_html(self): # 把进度条拉到底部,使所有数据动态加载 self.browser.execute_script('
window.scrollTo(0,document.body.scrollHeight)') time.sleep(2) # 等待动态数据加载完成 #
提取所有商品节点对象列表 li列表 li_list = self.browser.find_elements_by_xpath('
//*[@id="J_goodsList"]/ul/li') item = {} for li in li_list: # find_element:
查找单元素 item['name'] = li.find_element_by_xpath('.//div[@class="p-name"]/a/em'
).text.strip() item['price'] = li.find_element_by_xpath('
.//div[@class="p-price"]').text.strip() item['comment'] =
li.find_element_by_xpath('.//div[@class="p-commit"]/strong').text.strip() item['
shop'] = li.find_element_by_xpath('.//div[@class="p-shopnum"]').text.strip()
print(item) self.i += 1 def main(self): self.get_html() while True:
self.parse_html()# 判断是否为最后一页 if self.browser.page_source.find('pn-next disabled'
) == -1: self.browser.find_element_by_class_name('pn-next').click() time.sleep(3
)else: break print('商品数量:', self.i) self.browser.quit() if __name__ == '__main__
': spider = JdSpider() spider.main() View Code
键盘操作
from selenium.webdriver.common.keys import Keys ​ browser = webdriver.Chrome()
browser.get('http://www.baidu.com/') # 1、在搜索框中输入"selenium"
browser.find_element_by_id('kw').send_keys('赵丽颖') # 2、输入空格
browser.find_element_by_id('kw').send_keys(Keys.SPACE) # 3、Ctrl+a 模拟全选
browser.find_element_by_id('kw').send_keys(Keys.CONTROL, 'a') # 4、Ctrl+c 模拟复制
browser.find_element_by_id('kw').send_keys(Keys.CONTROL, 'c') # 5、Ctrl+v 模拟粘贴
browser.find_element_by_id('kw').send_keys(Keys.CONTROL, 'v') # 6、输入回车,代替 搜索 按钮
browser.find_element_by_id('kw').send_keys(Keys.ENTER)
鼠标操作
import time from selenium import webdriver # 导入鼠标事件 from selenium.webdriver
import ActionChains browser = webdriver.Chrome() browser.get('
http://www.baidu.com/') # 找到“设置”节点 element = browser.find_element_by_xpath('
//*[@id="u1"]/a[8]') # 把鼠标移动到 设置 节点,move_to_element() actions =
ActionChains(browser) actions.move_to_element(element) actions.perform()#
perform()是真正执行操作 time.sleep(1) # 找到高级设置节点,并点击 browser.find_element_by_link_text(
'高级搜索').click()
切换页面

适用与页面中点开链接出现新的页面的网站，但是浏览器对象browser还是之前页面的对象

all_handles = browser.window_handles　　获取当前所有句柄（窗口）

browser.switch_to_window(all_handles[1])　　切换browser到新的窗口，获取新窗口对象

民政部网站

将民政区划代码爬取到数据库中，按照层级关系（分表 -- 省表、市表、县表）

数据库中建表
# 建库 create database govdb charset utf8; use govdb; # 建表 create table
province( p_namevarchar(20), p_code varchar(20) )charset=utf8; create table
city( c_namevarchar(20), c_code varchar(20), c_father_code varchar(20) )charset=
utf8;create table county( x_name varchar(20), x_code varchar(20), x_father_code
varchar(20) )charset=utf8;
思路

* selenium+Chrome打开一级页面，并提取二级页面最新链接
* 增量爬取: 和数据库version表中进行比对，确定之前是否爬过（是否有更新）
* 如果没有更新，直接提示用户，无须继续爬取
* 如果有更新，则删除之前表中数据，重新爬取并插入数据库表
* 最终完成后: 断开数据库连接，关闭浏览器 from selenium import webdriver import pymysql class
GovSpider(object):def __init__(self): # 设置无界面 options =
webdriver.ChromeOptions() options.add_argument('--headless') self.browser =
webdriver.Chrome(options=options)# 添加参数 self.one_url = '
http://www.mca.gov.cn/article/sj/xzqh/2019/' # 创建数据库和相关变量 self.db =
pymysql.connect('localhost', 'root', '123456', 'govdb', charset='utf8')
self.cursor= self.db.cursor() # 创建3个列表,用来executemany()往3张表中插入记录
self.province_list = [] self.city_list = [] self.county_list = [] #
获取首页,并提取二级页面链接(虚假链接) def get_incr_url(self): self.browser.get(self.one_url) #
提取最新链接,判断是否需要增量爬 td = self.browser.find_element_by_xpath('
//td[@class="arlisttd"]/a[contains(@title,"代码")]') # 提取链接 和 数据库中做比对,确定是否需要怎俩那个抓取
# get_attribute()会自动补全提取的链接 two_url = td.get_attribute('href') #
result为返回的受影响的条数 result = self.cursor.execute('select url from version where
url=%s', [two_url]) if result: print('无须爬取') else: td.click() # 切换句柄
all_handlers = self.browser.window_handles
self.browser.switch_to.window(all_handlers[1]) self.get_data() # 数据抓取 #
把URL地址存入version表 self.cursor.execute('delete from version') self.cursor.execute(
'insert into version values(%s)', [two_url]) self.db.commit() # 二级页面中提取行政区划代码
def get_data(self): # 基准xpath tr_list = self.browser.find_elements_by_xpath('
//tr[@height="19"]') for tr in tr_list: code = tr.find_element_by_xpath('./td[2]
').text.strip() name = tr.find_element_by_xpath('./td[3]').text.strip() print
(name, code)# 判断层级关系,添加到对应的数据库表中(对应表中字段) # province: p_name p_code # city :
c_name c_code c_father_code # county : x_name x_code x_father_code # 把数据添加到对应的表中
if code[-4:] == '0000': self.province_list.append([name, code]) if name in ['北京市
', '天津市', '上海市', '重庆市']: self.city_list.append([name, code, code]) elif
code[-2:] =='00': self.city_list.append([name, code, (code[:2] + '0000')]) else:
if code[:2] in ['11', '12', '31', '50']: self.county_list.append([name, code,
(code[:2] + '0000')]) else: self.county_list.append([name, code, (code[:4] + '00
')]) # # 和for循环同缩进,所有数据爬完后统一excutemany()， # 执行数据库插入语句 self.insert_mysql() def
insert_mysql(self):# 1. 更新时一定要先删除表记录 self.cursor.execute('delete from province'
) self.cursor.execute('delete from city') self.cursor.execute('delete from
county') # 2. 插入新数据 self.cursor.executemany('insert into province values(%s,%s)'
, self.province_list) self.cursor.executemany('insert into city values(%s,%s,%s)
', self.city_list) self.cursor.executemany('insert into county values(%s,%s,%s)'
, self.county_list)# 3.提交到数据库执行 self.db.commit() print('数据抓取完成,成功存入数据库') def
main(self): self.get_incr_url() self.cursor.close()# 所有数据处理完成后断开连接
self.db.close() self.browser.quit()# 关闭浏览器 if __name__ == '__main__': spider =
GovSpider() spider.main()
SQL命令练习

1. 查询所有省市县信息（多表查询实现）
select province.p_name,city.c_name,county.x_name from province,city,county
where province.p_code=city.c_father_code and city.c_code=county.x_father_code;
2. 查询所有省市县信息（连接查询实现）
select province.p_name,city.c_name,county.x_name from province inner join city
on province.p_code=city.c_father_code inner join county on city.c_code=
county.x_father_code;
Web客户端验证

在URL地址中填入即可

url = 'http://用户名:密码@正常地址'

示例: 爬取某一天笔记
from selenium import webdriver ​ url = '
http://tarenacode:[email protected]/AIDCode/aid1904/15-spider/spider_day06_note.zip
' browser = webdriver.Chrome() browser.get(url)
iframe子框架

iframe子框架适用于网页中嵌套了网页，这种情况应该先切换到iframe子框架，然后再执行其他操作。

browser.switch_to.iframe(iframe_element)

示例 - 登录qq邮箱
import time from selenium import webdriver browser = webdriver.Chrome()
browser.get('https://mail.qq.com/cgi-bin/loginpage') # 找iframe子框架并切换到此iframe
login_frame = browser.find_element_by_id('login_frame')
browser.switch_to.frame(login_frame)# qq+密码+登录 browser.find_element_by_id('u'
).send_keys('账号') browser.find_element_by_id('p').send_keys('密码')
browser.find_element_by_id('login_button').click() time.sleep(5) # 预留页面记载时间 #
提取数据 ele = browser.find_element_by_id('useralias') print(ele.text)
 

• « 上一篇：asp.net core 使用 signalR（二）
• » 下一篇： ChaosBlade 发布对 C++ 应用混沌实验的支持