鲁达 关于数据分析与可视化.
selenium的简介与安装
selenium是最广泛使用的开源Web UI自动化测试套件之一，它所支持的语言包括C++、Java、Perl、PHP、Python和Ruby，在数据抓取方面也是一把利器，能够解决大部分网页的反爬措施，当然它也并非是万能的，一个比较明显的一点就在于是它速度比较慢，如果每天数据采集的量并不是很高，倒是可以使用这个框架。
那么说到安装，可以直接使用pip在安装
pip install selenium 与此同时呢，我们还需要安装一个浏览器驱动，不同的浏览器需要安装不同的驱动，这边小编主要推荐的以下这两个
- Firefox浏览器驱动: geckodriver
- Chrome浏览器驱动: chromedriver
小编平常使用的是selenium+chromedriver比较多，所以这里就以Chrome浏览器为示例，由于要涉及到chromedriver的版本需要和浏览器的版本一致，因此我们先来确认一下浏览器的版本是多少？看下图
我们在“关于Chrome”当中找到浏览器的版本，然后下载对应版本的chromedriver，当然也要对应自己电脑的操作系统
页面元素的定位
在谈到页面元素的定位时，小编默认读者朋友具备了最最基本的前端知识，例如HTML，CSS等
ID标签的定位
在HTML当中，ID属性是唯一标识一个元素的属性，因此在selenium当中，通过ID来进行元素的定位也作为首选，我们以百度首页为例，搜索框的HTML代码如下，其ID为“kw”，而“百度一下”这个按钮的ID为“su”，我们用Python脚本通过ID的标签来进行元素的定位
driver.find_element_by_id("kw") driver.find_element_by_id("su") NAME标签的定位
在HTML当中，Name属性和ID属性的功能基本相同，只是Name属性并不是唯一的，如果遇到没有ID标签的时候，我们可以考虑通过Name标签来进行定位，代码如下
driver.find_element_by_name("wd") Xpath定位
使用Xpath方式来定位几乎涵盖了页面上的任意元素，那什么是Xpath呢？Xpath是一种在XML和HTML文档中查找信息的语言，当然通过Xpath路径来定位元素的时候也是分绝对路径和相对路径。
绝对路径是以单号/来表示，相对路径是以//来表示，而涉及到Xpath路径的编写，小编这里偷个懒，直接选择复制/粘贴的方式，例如针对下面的HTML代码
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>Test</title> </head> <body> <form id="loginForm"> <input name="username" type="text" /> <input name="password" type="password" /> <input name="continue" type="submit" value="Login" /> <input name="continue" type="button" value="Clear" /> </form> </body> </html>我们可以这么来做，打开浏览器的开发者工具，鼠标移到我们选中的元素，然后右击检查，具体看下图
我们还是以百度首页为例，看一下如何通过Xpath来进行页面元素的定位，代码如下
driver.find_element_by_xpath('//*[@id="kw"]') className标签定位
我们也可以基于class属性来定位元素，尤其是当我们看到有多个并列的元素如list表单，class用的都是共用同一个，如：
driver.find_element_by_class_name("classname") 这个时候，我们就可以通过class属性来定位元素，该方法返回的是一个list列表，而当我们想要定位列表当中的第n个元素时，则可以这样来安排
driver.find_elements_by_class_name("classname")[n] 需要注意的是，这里使用的是find_elements_by_class_name()方法而不是find_element_by_class_name()方法，这里我们还是通过百度首页的例子，通过className标签来定位搜索框这个元素
driver.find_element_by_class_name('s_ipt') CssSelector()方法定位
其实在Selenium官网当中是更加推荐CssSelector()方法来进行页面元素的定位的，原因在于相比较于Xpath定位速度更快，Css定位分为四类：ID值、Class属性、TagName值等等，我们依次来看
- ID方式来定位
大概有两种方式，一种是在ID值前面添加TagName的值，另外一种则是不加，代码如下
driver.find_element_by_css_selector("#id_value") # 不添加前面的`TagName`值 driver.find_element_by_css_selector(";) # 不添加前面的`TagName`值 当然有时候这个TagName的值非常的冗长，中间可能还有空格，那么这当中的空格就需要用点“.”来替换
driver.find_element_by_css_selector(";) # 不添加前面的`TagName`值 我们仍然以百度首页的搜索框为例，它的HTML代码如下
要是用CssSelector的.class()方式来实现元素的定位的话，Python代码该这样来实现，和上面Xpath()的方法一样，可以稍微偷点懒，通过复制/粘贴的方式从开发者工具当中来获取元素的位置
代码如下
driver.find_element_by_css_selector('#kw') linkText()方式来定位
这个方法直接通过链接上面的文字来定位元素，案例如下
通过linkText()方法来定位“地图”这个元素，代码如下
driver.find_element_by_link_text("地图").click()浏览器的控制
修改浏览器窗口的大小
我们可以通过使用set_window_size()这个方法来修改浏览器窗口的大小，代码如下
# 修改浏览器的大小 driver.set_window_size(500, 900) 同时还有maxmize_window()方法是用来实现浏览器全屏显示，代码如下
# 全屏显示 driver.maximize_window() 浏览器的前进与后退
前进与后退用到的方法分别是forward()和back()，代码如下
# 前进与后退 driver.forward() driver.back() 浏览器的刷新
刷新用到的方法是refresh()，代码如下
# 刷新页面 driver.refresh() 除了上面这些，webdriver的常见操作还有
- 关闭浏览器：get()
- 清除文本：clear()
- 单击元素：click()
- 提交表单：submit()
- 模拟输入内容：send_keys()
我们可以尝试着用上面提到的一些方法来写段程序
from selenium import webdriver from time import sleep driver = webdriver.Chrome(executable_path="c;) driver.get(";) sleep(3) driver.maximize_window() sleep(1) driver.find_element_by_xpath('//*[@id="s-top-loginbtn"]').click() sleep(3) driver.find_element_by_xpath('//*[@id="TANGRAM__PSP_11__userName"]').send_keys('12121212') sleep(1) driver.find_element_by_xpath('//*[@id="TANGRAM__PSP_11__password"]').send_keys('testtest') sleep(2) driver.refresh() sleep(3) driver.quit() output
鼠标的控制
鼠标的控制都是封装在ActionChains类当中，常见的有以下几种
引入action_chains类 from import ActionChains # 右击 ActionChains(driver).context_click(element).perform() # 双击 ActionChains(driver).double_click(element).perform() # 拖放 ActionChains(driver).drag_and_drop(Start, End).perform() # 悬停 ActionChains(driver).move_to_element(Above).perform() # 按下 ActionChains(driver).click_and_hold(leftclick).perform() # 执行指定的操作 键盘的控制
webdriver中的Keys()类，提供了几乎所有按键的方法，常用的如下
# 删除键 driver.find_element_by_id('xxx').send_key) # 空格键 driver.find_element_by_id('xxx').send_key) # 回车键 driver.find_element_by_id('xxx').send_key) # Ctrl + A 全选内容 driver.find_element_by_id('xxx').send_key, 'a') # Ctrl + C/V 复制/粘贴内容 driver.find_element_by_id('xxx').send_key, 'c') driver.find_element_by_id('xxx').send_key, 'v') 其他的一些键盘操作
- 向上箭头：Keys.ARROW_UP
- 向下箭头：Keys.ARROW_DOWN
- 向左/向右箭头：Keys.ARROW_LEFT
- Shift键：Keys.SHIFT
- F1键：Keys.F1
元素的等待
有显示等待和隐式等待两种
显示等待
显示等待指的是设置一个超时时间，每隔一段时间去查看一下该元素是否存在，如果存在则执行后面的内容，要是超过了最长的等待时间，则抛出异常(TimeoutException)，需要用到的是WebDriverWait()方法，同时配合until和not until方法
WebDriverWait(driver, timeout, poll_frequency=0.5, ignored_exceptions=None) 其中的参数：
- timeout: 最长超时时间，默认以秒为单位
- poll_frequency: 检测的时间间隔，默认是0.5s
- ignored_exceptions: 指定忽略的异常，默认忽略的有NoSuchElementException这个异常
我们来看下面的案例
driver = webdriver.Chrome() driver.get("http://somedomain/url_that_delays_loading") try: element = WebDriverWait(driver, 10).until( EC.presence_of_element_located, "myDynamicElement"))) finally: driver.quit() 上面的代码最多等待10秒，超时后就抛出异常，但是假设在等了3秒之后就找到了这个元素，那么也就不会多等下剩下的7秒钟时间，而是继续执行后续的代码
隐式等待
主要使用的是implicitly_wait()来实现
browser = webdriver.Chrome(path) # 隐式等待3秒 brow(3) 获取Cookie
Cookie是用来识别用户身份的关键，我们通常也是通过selenium先模拟登录网页获取Cookie，然后再通过requests携带Cookie来发送请求。
webdriver提供了cookies的几种操作，我们挑选几个常用的来说明
- get_cookies()：以字典的形式返回当前会话中可见的cookie信息
- get_cookies(name): 返回cookie字典中指定的的cookie信息
- add_cookie(cookie_dict): 将cookie添加到当前会话中
下面看一个简单的示例代码
driver=webdriver.Chrome(executable_path="c;) driver.get(url=url) (1) cookie_list=driver.get_cookies() cookies =";".join([item["name"] +"=" + item["value"] + "" for item in cookie_list]) session=reque() headers = { 'User-Agent':'Mozilla (Windows NT 10.0; Win64; x64) AppleWebKi (KHTML, like Gecko) Chrome Safari;, 'cookie': cookies } response=(url=url,headers=headers) soup=BeautifulSou;lxml') 调用Javascript
在webdriver当中可以使用execut_script()方法来实现JavaScript的执行，下面我们来看一个简单的例子
from selenium import webdriver import time bro=webdriver.Chrome(executable_path='./chromedriver') bro.get(";) # 执行js代码 bro.execute_script('alert(10)') (3) bro.close() 除此之外，我们还可以通过selenium执行JavaScript来实现屏幕上下滚动
from selenium import webdriver bro=webdriver.Chrome(executable_path='./chromedriver') bro.get(";) # 执行js代码 bro.execute_script('window.scrollTo(0,Document.body.scrollHeight)') selenium进阶
selenium启动的浏览器，会非常容易的被检测出来，通常可以通过window.naviga的值来查看，如果是true则说明是使用了selenium模拟浏览器，如果是undefined则通常会被认为是正常的浏览器。
那么我们似乎可以执行下面这段代码来强行更改window.naviga最后返回的值
driver.execute_script( 'Object.defineProperties(navigator,{webdriver:{get:()=>false}})' ) 当然这种方法也有一定的缺陷，毕竟这段代码是在网页已经加载完毕之后才运行的，此时网页自身的JavaScript程序已经通过读取window.naviga知道你使用的是模拟浏览器了。所以我们有两种办法来解决这个缺陷。
- 在Chrome当中添加实验性功能参数
代码如下
from import Chrome from import ChromeOptions option = ChromeOptions() o('excludeSwitches',['enable-automation']) driver=Chrome(options=option) - 调用chrome当中的开发工具协议的命令
核心思想就是让Chrome浏览器在打开页面，还没有运行网页自带的JavaScript代码时，先来执行我们给定的代码，通过execute_cdp_cmd()方法，
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", { "source": """ Object.defineProperty(navigator, 'webdriver', { get: () => undefined }) """ }) 当然为了更好隐藏指纹特征，我们可以将上面两种方法想结合
from selenium import webdriver options = webdriver.ChromeOptions() o("excludeSwitches", ["enable-automation"]) o('useAutomationExtension', False) driver = webdriver.Chrome(options=options, executable_path='./chromedriver') driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", { "source": """ Object.defineProperty(navigator, 'webdriver', { get: () => undefined }) """ }) driver.get(url) 最后的最后，我们也可以通过运行文件来实现隐藏selenium模拟浏览器的特征，这个文件之前是给puppeteer用的，使得其隐藏浏览器的指纹特征，而让Python使用时，需要先导入这份JS文件
import time from import Chrome option = webdriver.ChromeOptions() o("--headless") # 无头浏览器需要添加user-agent来隐藏特征 o('user-agent=.....') driver = Chrome(options=option) driver.implicitly_wait(5) with open('') as f: js = f.read() driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", { "source": js }) driver.get(url)