python 爬虫 selenium作用,使用selenium爬虫并解析网页

之所以把selenium爬虫称之为可视化爬虫

主要是相较于前面所提到的几种网页解析的爬虫方式

selenium爬虫主要是模拟人的点击操作

selenium驱动浏览器并进行操作的过程是可以观察到的

就类似于你在看着别人在帮你操纵你的电脑，类似于别人远程使用你的电脑

当然了，selenium也有无界面模式

快速入门

selenium基本介绍:

selenium 是一套完整的web应用程序测试系统，

包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）
和测试的并行处理（Selenium Grid）。

Selenium的核心Selenium Core基于JsUnit，
完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。
selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，

爬虫中主要用来解决JavaScript渲染问题。

用python写爬虫的时候，主要用的是selenium的Webdriver，

#安装selenium库pip install selenium#安装对应浏览器驱动# 我们可以通过下面的方式先看看Selenium.Webdriver支持哪些浏览器from selenium import webdriverprint(help(webdriver))

 

 

谷歌浏览器驱动下载地址
注意对应版本号，chrome地址栏输入chrome://version/ 查看自己的Chrome版本
我使用的是anaconda 下载好后丢入anaconda3Scripts文件夹下就可以了
如果是其他ide如：pycharm、VScode但加载的还是anaconda的集成python，依然可以这么操作

简单测试

from selenium import webdriver# #声明浏览器对象browser1 = webdriver.Chrome()browser2 = webdriver.Firefox()# #访问页面browser1.get("http://www.baidu.com")print(browser1.page_source)#关闭当前窗口browser1.close()

 

页面操作

1.表单填充

# 找到用户名输入用户名user = drive.find_element_by_name("LoginForm[username]")user.send_keys(username)# 找到密码输入密码pwd=drive.find_element_by_id("LoginForm_password")pwd.send_keys(password)# 点击登录按钮实现登录drive.find_element_by_class_name("login_btn").click()

2.窗口句柄

简单讲，句柄就是浏览器上方每一个窗口栏的唯一标识

#获取当前窗口所有句柄handles = drive.window_handles#通过句柄 切换到第2个标签页drive.switch_to.window(handles[2])"""操作完成"""#关闭当前窗口driver.close() #通过句柄 切换到第1个标签页drive.switch_to.window(handles[0])time.sleep(random.uniform(2,3))

3.url加载和获取

#url加载drive.get(url)# 获取当前页面url并断言currentPageUrl = driver.current_url

4.cookie处理

get_cookies:获取cookie信息add_cookie:添加cookie信息drive.get("http://www.baidu.com")cookie = {'name':'foo','value':'bar'}drive.add_cookie(cookie)drive.get_cookies() 等待方式

现在很多网站采用 Ajax技术
无法确定网页元素什么时候能被完全加载
所以网页元素的选取比较困难
此时就需要设置等待（等待网页加载完成）

selenium有两种等待方式:

显式等待隐式等待

1.显式等待
显式等待是一种条件触发式等待
直到设置的某一条件达成时才会继续执行
可以设置超时时间，如果超过超时时间元素依然没被加载，就会抛出异常

from selenium import webdriverfrom selenium.webdriver.support.wait import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECdrive = webdriver.Chrome()url = 'http://www.baidu.com/'drive.get(url)try:WebDriverWait(self.driver,10).until(EC.presence_of_element_located(By.ID,"LoginForm[username]")) #显示等待except: print('%s页面未找到元素'% loc)

以上代码加载 'http://www.baidu.com/'页面
并定位id为"LoginForm[username]"的元素
设置超时时间10秒，webDriverWait默认会500ms检测一下元素是否存在

selenium提供了一些内置的用于显示等待的方法，
位于expected_conditions类中，详细见下表

 

 

2.隐式等待

隐式等待是在尝试定位某个元素时，如果没能立刻发现，就等待固定时长
类似于socket超时，默认设置是0秒，即相当于最长等待时长

在浏览器界面直观感受是：
等待直到网页加载完成（地址栏这个地方不是× 变成如下）时继续执行，
网页加载超过设置等待时长才报错

使用方法

from selenium import webdriverdrive = webdriver.Chrome()url = 'http://www.baidu.com/'#设置最大等待时长 10秒drive.implicitly_wait(10)drive.get(url)user = drive.find_element_by_name("LoginForm[username]")

3.线程休眠
time.sleep(time)是比较常用的线程休眠方式
为了避免风险，我个人比较喜欢随机休眠
time.sleep(random.uniform(4,5))

扩展程序加载 # 设置好应用扩展chrome_options.add_extension(extension_path)#添加下载路径#download.default_directory：设置下载路径 profile.default_content_settings.popups：设置为 0 禁止弹出窗口prefs = {'profile.default_content_settings.popups': 0, 'download.default_directory':tmp_path}chrome_options.add_experimental_option('prefs', prefs)

你学会了吗？完整代码获取点这里！

此文转载，著作权归作者所有，如有侵权联系小编删除！

原文地址：https://blog.csdn.net/qq_35866846/article/details