Python 从零开始爬虫(八)——动态爬取解决方案 之 selenium

忍野忍

selenium——自动化测试工具,专门为Web应用程序编写的一个验收测试工具,测试其兼容性,功能什么的。然而让虫师们垂涎的并不是以上的种种,而是其通过驱动浏览器获得的解析JavaScript的能力。所以说这货在动态爬取方面简直是挂逼级别的存在,相较于手动分析更简单易用,节省分析打码时间。

虽然selenium因其“超能力”被不少人吹上天了,但是认清利弊,根据需求来选择爬虫工具,还是挺重要的,所以这里简单说下以供参考:

  1. selenium无脑解决动态难题
  2. selenium更耐网页变动
  3. selenium极大提升开发效率,但极大降低爬取效率(规模一大就明显了)。
  4. selenium更占用资源(cpu,内存,网络)

理由:打开一个/多个浏览器,浏览器里还有n个窗口.....
下面不多说,进入正题

前置

本体直接pip安装pip install selenium

驱动按需选择:

  • chrome (内核版本要对应,详看其中的notes.txt)
  • firefox (相信各位的英文实力)
  • IE (很少用吧)

下载好后把解压得到的驱动放到设置了环境变量的路径下就行了,如果你的python设置了环境变量,应该丢到python目录下就行了。

简单尝试

照例贴上文档,2.53旧版中文,想学更多就给我啃
选好浏览器就创建实例,之后的操作都在这个实例之上,并介绍一些有用的option,本文以Chrome为例。

from selenium import webdriver

#其他浏览器把Chrome换名就行
#option = webdriver.ChromeOptions()
#option.set_headless() 设置无头浏览器,就是隐藏界面后台运行

driver = webdriver.Chrome() #创建driver实例
#driver = webdriver.Chrome(chrome_options=option)  创建实例并载入option

url = '**********'
driver.get(url)
#driver.maximize_window() 最大化窗口
#driver.set_window_size(width,height) 设置窗口大小

print(driver.page_source) #打印网页源码
driver.quit() # 关闭浏览器

对付低级的动态网页(ajax较少)就是这么简单,基本不用考虑动态问题,徒手撸动态的人表示羡慕。然而更多时候并不像这样简单,直接套用的话很容易导致源码所见非所得,而且很多爬虫并没有简单到拿个源码就走的程度,它还要交互,模拟点击滚动等等。所以还请往下看,不要看到这就投入实战啦

定位

selenium提供多种方法对元素进行定位,返回WebElement对象,而上面提到的driver就相当于最大的WebElement对象

#以下都是单次定位,返回第一个定位到的。如果想多次定位,给element加个s就行,返回的是符合元素的列表
element = driver.find_element_by_id() # 通过标签的id定位,接收id属性值

driver.find_element_by_name() # 通过标签的name定位,接收name属性值

driver.find_element_by_xpath() # 通过xpath定位,接收xpath表达式

driver.find_element_by_link_text() # 通过标签的完全文本定位,接收完整的文本

driver.find_element_by_partial_link_text() # 通过标签的部分文本定位,接收部分文本

driver.find_element_by_tag_name() # 通过标签名定位,接收标签名

driver.find_element_by_class_name() # 通过标签的class定位,接收class属性值

driver.find_element_by_css_selector() # 通过css选择器定位,接收其语法
#返回的WebElement对象可以继续往下定位

xpath和css就不展开讲了,能实现精确定位,一定要学其中一个,不知道的小伙伴们上网自学吧,不难


除了上面这些公有的方法,还有2个私有的方法来帮助页面对象的定位。 这两个方法就是 find_element 和 find_elements,需要导入By类辅助,接收一个By类属性及其对应语法/值

from selenium.webdriver.common.by import By
driver.find_element(By.XPATH,'//a[text()="dark"]')
driver.find_elements(By.XPATH,'//a[text()="dark"]')
'''By类有以下属性
ID = "id"
XPATH = "xpath"
LINK_TEXT = "link text"
PARTIAL_LINK_TEXT = "partial link text"
NAME = "name"
TAG_NAME = "tag_name"
CLASS_NAME = "class name"
CSS_SELECTOR = "css selector"
'''

frame切换

很多人在用selenium会遇到所见非所得,或者定位页面元素的时候会定位不到的问题,这种情况很有可能是frame在搞鬼,必须切换到相应frame中再进行定位。如果遇到以上问题,第一时间F12看下你所要的信息是否在frame标签里面。
frame标签有frameset、frame、iframe三种,frameset跟其他普通标签没有区别,不会影响到正常的定位,而frame与iframe对selenium定位而言是一样的。

selenium提供了4种方法定位iframe并切换进去:

#对于<iframe name="frame1" id="dark">.....</iframe>
driver.switch_to_frame(0)  # 用frame的index来定位,第一个是0,以此类推
driver.switch_to_frame("frame1")  # 用id来定位
driver.switch_to_frame("dark")  # 用name来定位
driver.switch_to_frame(driver.find_element_by_tag_name("iframe"))  # 用WebElement对象来定位

通常通过id和name就能实现,无此属性时可以通过WebElement对象,即用find_element系列方法所取得的对象来定位。如果你确定每个目标frame都是固定第几个,那也可以用index定位

切到frame中之后,就不能继续操作主文档的元素了,这时如果想操作主文档内容,则需切回主文档。

driver.switch_to_default_content()

嵌套frame的切换
如果frame里包着frame而你要的frame是后者,那么需要一层一层切换进去,切换方法四选一

driver.switch_to_frame("frame1")
driver.switch_to_frame("frame2")

如果想回去上一个父frame,用driver.switch_to.parent_frame()

window 切换

有时候点开一个链接就会弹出一个新窗口,如果要对其操作就要切换过去,方法和frame的切换差不多,但只接收window_handle(相当于窗口的名字)来进行切换。driver.switch_to_window("windowName")

切换前最好保存之前的handle和所有的handles以便于来回切换。

current_window = driver.current_window_handle  # 获取当前窗口handle name
all_windows = driver.window_handles  # 获取所有窗口handle name

# 如果window不是当前window,则切换到该window,即切换到新窗口
for window in all_windows:
    if window != current_window:
        driver.switch_to_window(window)
        #....
driver.switch_to_window(current_window)  # 返回之前的窗口
driver.close()  # 窗口的关闭用close()

页面交互

常用的页面交互有点击,输入文本等。交互的原则是先定位,后交互,比如你F12找到了某个文本框或某个可点击项的标签,那就先定位到那,再用以下的交互方法

from selenium.webdriver.common.keys import Keys
# 首先定位到某个文本框或某个可点击项(如超链接,按钮),
element = driver.find_element_by_xpath('//a[text()="dark"]')

element.send_keys("some text")  # 往文本框输入文本
#element.send_keys("some text", Keys.ARROW_DOWN)  可以使用 Keys 类来模拟输入方向键
element.clear()  # 清空文本框

#element.click() 如果此元素可点击,可用click()方法

要注意的一点是,不是定位到就必定能交互,有时候目标会被网页弹出来的东西覆盖,导致无法交互,所以要确保页面干净无覆盖

上下拉滚动

selenium可以执行js,下拉滚动可以通过此实现,因此就算不懂js也可以记一些有用的js代码

#driver.execute_script('js_str')
driver.execute_script('window.scrollTo(0,10000)')  # 移动到指定坐标
driver.execute_script('window.scrollBy(0,10000)')  # 相对当前坐标移动
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')  # 相对当前坐标移动

等待

现在不少web都都有使用ajax技术,即异步加载,有时候你要的东西都还没加载到你就去定位了,就会抛出异常。为了避免此等血淋淋的惨状,必须要待其加载一段时间后再进行后面的操作。这里付一张不等待就获取page_source的后果
图片描述

最粗暴的方法就是使用time.sleep(),这很笨,因为你还要设置合适的时间,而不同网站加载的速度有异,容易造成时间的浪费。所以最好还是使用selenium提供的两种等待方法

显式Wiats

显式Wiats允许你设置一个加载时间的上限和一个条件,每隔0.5s就判断一下所设条件,条件成立就继续执行下面的代码,如果过了时间上限还是没有成立,默认抛出NoSuchElementException 异常。这种相对智能的等待方法能最大化地节省时间,应该优先选择使用

selenium提供了多种expected_conditions(EC)来设置条件,但是要注意有定位时EC的方法接收的是定位信息的元组(locator_tuple)而不是两个参数,正确用法如 EC.presence_of_element_located((By.ID,"dark"))
这个条件检测是否有id='dark'的元素

selenium提供的EC有以下方法,意思如其名,这里注释一些易搞错的,选择使用

title_is(str)
title_contains(str)
presence_of_element_located(locator_tuple)
visibility_of_element_located(locator_tuple) # 判断某个元素是否可见
visibility_of(WebElement) # 同上,传参不同
presence_of_all_elements_located(locator_tuple)
text_to_be_present_in_element(str) # 判断某个元素中的text是否包含了指定字符串
text_to_be_present_in_element_value(str) # 判断某个元素中的value属性是否包含了预期的字符串
frame_to_be_available_and_switch_to_it
invisibility_of_element_located(locator_tuple)
element_to_be_clickable(locator_tuple)
staleness_of(WebElement) # 等待某个元素从的移除
element_to_be_selected(WebElement)
element_located_to_be_selected(locator_tuple)
element_selection_state_to_be(WebElement)
element_located_selection_state_to_be(locator_tuple)
alert_is_present() # 判断页面上是否存在alert

使用上通常搭配try语句

from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait # 导入显式等待
from selenium.webdriver.support import expected_conditions as EC # 导入EC
from selenium.common.exceptions import NoSuchElementException

# WebDriverWait(driver,time).until(EC) 显式waits

try:
    element = WebDriverWait(driver,10).until(EC.presence_of_element_located((By.ID,"myDynamicElement")))
    
except NoSuchElementException:
    #.....
finally:
     driver.quit()

隐式等待

隐式等待是在尝试定位某个元素的时候,如果没能成功,就等待固定长度的时间,默认0秒。一旦设置了隐式等待时间,它的作用范围就是Webdriver对象实例的整个生命周期。driver.implicitly_wait(10)

最后补充

这是用selenium几分钟弄出来的网易云音乐单曲评论爬虫,而且还模拟了评论翻页,还截了图。没提取信息,提取的时候可以用BeautifulSoup或正则提取,

from selenium import webdriver
import time
from selenium.common.exceptions import NoSuchElementException, TimeoutException
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait

driver = webdriver.Chrome()
driver.maximize_window()
driver.get("http://music.163.com/#/song?id=31877470")
driver.switch_to_frame("contentFrame")
time.sleep(5)
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
driver.save_screenshot('E:/python3/gg.png')  # 截图
b = driver.find_element_by_xpath("//a[starts-with(@class,'zbtn znxt')]")
b.click()
try:
    WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.XPATH,"//a[@data-type='reply']")))
    print(driver.page_source)
except NoSuchElementException:
    print('OMG')
finally:
        driver.quit()

短短二十行就能做到这种程度(而且不少还是import的),足以见得selenium强大。如果要手动分析,你还要分析js加密算法,写上n倍的代码。两者相比起来selenium真的很吸引人,简直是懒人救星。大家权衡利弊按需选择吧

阅读 10.4k

Python 从零开始爬虫
基于python3.X,主要使用requests进行自由定制,适合兴趣向的爬虫教学

自分の世界を変えるのは自分。 —— モルガナ

206 声望
91 粉丝
0 条评论

自分の世界を変えるのは自分。 —— モルガナ

206 声望
91 粉丝
宣传栏