21天学习挑战赛——Python爬虫 selenium自动化操作浏览器

Selenium操作浏览器，需要在浏览器中安装驱动WebDriver。Selenium库中有个叫WebDriver的API，WebDriver有点像可以加载网页的浏览器，但是它可以像BeautifulSoup或者其他Selector对象一样用来查找页面元素，与页面上的元素进行交互（发送、点击等），以及执行其他操作。

常用浏览器浏览器下载地址
浏览器	下载地址
Chrome浏览器	http://chromedriver.storage.googleapis.com/index.html
Firefox浏览器	http://chromedriver.storage.googleapis.com/index.html
Edge浏览器	https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/#downloads

PhantomJS无界面浏览器，可以把网站加载到内存并执行页面上的JavaScript，因为不会展示图形界面，所以运行器来比完整的浏览器高效。

以Chrome浏览器为例下载浏览器驱动：

1）查看自己的浏览器版本

2）打开浏览器驱动下载网站，选择版本最接近的，并不一定有对应的版本，选择最相近的即可

3）选择自己对应的电脑版本。windos的没有win64，选win32即可

4）放到自己的Python安装路径下

由于我的电脑上安装了Anaconda，所以需要安装在Anaconda安装目录。

2. 基础操作

2.1 打开浏览器


from selenium import webdriver
 
#浏览器初始化
brower = webdriver.Chrome() #Chrome浏览器
# brower = webdriver.Firefox() #Firefox浏览器
# brower = webdriver.Edge() #Edge浏览器
# brower = webdriver.PhantomJS() #PhantomJS浏览器
#发送请求
brower.get('https://www.baidu.com')
#打印页面的标题
print(brower.title) #输出：百度一下，你就知道
#退出浏览器
brower.quit() #一定要退出，不退出会有残留进程

2.2 Chrome浏览器无界面模式

Headless模式是Chrome浏览器的无界面模式，可以在不打开浏览器的前提下，使用所有支持Chrome支持的特性去运行我们的程序。


from selenium import webdriver
 
#1.实例化配置对象
chrome_options = webdriver.ChromeOptions()
#2.配置对象添加开启无界面命令
chrome_options.add_argument('--headless')
#3.配置对象添加禁用gpu命令
chrome_options.add_argument('--disable-gpu')
#4.实例化带有配置对象的browser对象
brower = webdriver.Chrome(chrome_options=chrome_options)
#发送请求
brower.get('https://www.baidu.com')
#查看请求的数据
print(brower.page_source) #查看渲染后的数据，就可以Xpath进行解析数据了
print(brower.get_cookies()) #查看请求网页后的cookies值
print(brower.current_url) #查看请求url
#关闭页面
brower.close()
#关闭浏览器
brower.quit()

2.3 元素定位

通过selenium的基本使用就可以简单操作浏览器了，接下来我们学习下定位元素的其他方法。


from selenium import webdriver
from selenium.webdriver.common.by import By
 
#1.实例化配置对象
chrome_options = webdriver.ChromeOptions()
#2.配置对象添加开启无界面命令
chrome_options.add_argument('--headless')
#3.实例化带有配置对象的browser对象
browser = webdriver.Chrome(chrome_options=chrome_options)
url = 'https://www.baidu.com'
#发送请求
browser.get(url)
#查看请求的数据
html_str = browser.page_source
print(html_str)

由于获取百度的数据较大，假如返回的 html_str 为以下内容：


<div class="panel">
    <div class="panel-heading">
        <h4>Helloh4>
    div>
    <div class="panel_body">
        <ul class="list" id="list-1" name="element">
            <li class="element">Fooli>
            <li class="element">Barli>
            <li class="element">Jayli>
        ul>
        <ul class="list list-small" id="list-2">
            <li class="element">Fooli>
                <a href="https://www.baidu.com">百度官网a>
            <li class="element">Barli>
        ul>
    div>
div>

2.3.1 根据id属性值获取元素列表


#获取第一个元素
browser.find_element(by=By.ID, value='list-1')
#获取多个元素
browser.find_elements(by=By.ID, value='list-1')

注意：获取一个元素和多个元素的区别是后面加不加s 。

2.3.2 根据class获取元素列表


#获取第一个元素
browser.find_element(by=By.CLASS_NAME, value='element')
#获取多个元素
browser.find_elements(by=By.CLASS_NAME, value='element')

2.3.3 根据Xpath获取元素列表


#返回标签li，id为element的一个元素
browser.find_element(by=By.XPATH, value='//li[@id="element"]')
#返回标签li，id为element的所有元素
browser.find_elements(by=By.XPATH, value='//li[@id="element"]')

2.3.4 根据标签的文本获取元素列表（精确定位）


#获取一个元素
browser.find_element(by=By.LINK_TEXT, value='Foo')
#获取多个元素
browser.find_element(by=By.LINK_TEXT, value='Foo')

2.3.5 根据标签包含的文本获取元素列表（模糊定位）


#获取一个元素
browser.find_element(by=By.PARTIAL_LINK_TEXT, value='Fo')
#获取多个元素
browser.find_elements(by=By.PARTIAL_LINK_TEXT, value='Fo')

2.3.6 根据标签名获取元素列表


#获取一个元素
browser.find_element(by=By.TAG_NAME, value='li')
#获取多个元素
browser.find_element(by=By.TAG_NAME, value='li')

2.4元素操作

2.4.1 获取元素

通过定位获取的标签对象的text属性，获取文本内容：element.text


ret = browser.find_element_by_class_name('element')
print(ret[0].text)

2.4.2 获取属性值

通过定位获取标签的get_attribute值函数，传入属性名，来获取属性的值。


ret = browser.find_element_by_tag_name('a')
print(ret[0].get_attribute('href'))

2.5 前进和后退


#前进
browser.forward()
#后退
browser.back()

2.6 执行js

selenium可以让浏览器执行自己规定的js代码。

语法格式：browser.execute_script(js)

参数说明：

js：为js语句

举例应用：


from selenium import webdriver
 
browser = webdriver.Chrome()
url = 'https://www.baidu.com/'
browser.get(url)
js = 'window.scrollTo(0,document.body.scrollHeight)' #js语句
browser.execute_script(js) #执行js的方法
browser.quit()

2.7 页面等待

现在的网页越来越多地采用了Ajax技术，这样程序便不能确定某个元素何时能完全加载出来。如果实际页面等待实际过长导致某个dom元素还没出来，但是如果代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。为了避免这种元素定位困难并且降低ElementNotVisibleException的概率，所以Selenium提供了两种等待方式，一种是隐式等待，另一种是显式等待。

隐式等待是等待特定的时间，显式等待是指定某一条件并直到这个条件成立时继续执行。

2.7.1 隐式等待

隐式等待针对的是元素定位，隐式等待设置了一个时间，在一段时间内判断元素是否定位成功，如果完成了，就进行下一步。在设置的时间内没有定位成功，则会报超时加载。


from selenium import webdriver
 
browser = webdriver.Chrome()
browser.implicitly_wait(10) #隐式等待10秒
browser.get('https://www.baidu.com/')
myDynamicElement = browser.find_element_by_id('input')

2.7.2 显式等待

显式确定等待某个指定元素，然后设置最长等待时间，如果在这个时间内没有找到元素，那么会抛出异常。


from selenium import webdriver
from selenium.webdriver.common.by import By
#WebdriverWait库，负责循环等待
from selenium.webdriver.support.ui import WebDriverWait
#expected_condition类，负责条件触发
from selenium.webdriver.support import expected_conditions as EC
 
browser = webdriver.Chrome()
browser.get('https://www.baidu.com/')
try:
    #页面一直循环，直到id='input'出现
    element = WebDriverWait(browser, 10).until(EC.presence_of_element_located((By.ID, 'input')))
finally:
    browser.quit()

3. 进阶操作

3.1 使用代理ip

selenium控制浏览器可以使用代理ip。防止可能由于自己的ip访问网站次数过多，不能打开网站。


from selenium import webdriver
import time
 
#1.实例化配置对象
options = webdriver.ChromeOptions()
#2.配置对象添加使用代理ip的命令
options.add_argument('--proxy-server=http://ip地址') #代理IP：端口号
#3.实例化带有配置对象的browser对象
browser = webdriver.Chrome(chrome_options=options)
browser.get('https://www.baidu.com')
#获取页面内容
print(browser.page_source)
#延时3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
browser.close()

3.2 修改请求头

selenium可以修改请求头，伪装成不同的浏览器。


from selenium import webdriver
import time
 
agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36 SE 2.X MetaSr 1.0'
#1.实例化配置对象
options = webdriver.ChromeOptions()
#2.配置对象修改请求头，这里agent以搜狗浏览器为例
options.add_argument('--user-agent='+agent) 
#3.实例化带有配置对象的browser对象
browser = webdriver.Chrome(chrome_options=options)
browser.get('https://www.baidu.com')
#获取页面内容
print(browser.page_source)
#延时3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
browser.close()

3.3 隐藏浏览器指纹特征

selenium操作浏览器，有几十个特征可以被网站监测到，被识别出是爬虫操作。

正常情况下手动打开浏览器，输入网址：https://bot.sannysoft.com/

相关阅读:
10-26 maven配置
 [002] [RISC-V] RTT与MRS配置C++环境
 (muduo) 基础demo
图解LeetCode——793. 阶乘函数后 K 个零（难度：困难）
Vue知识系列（1）每天10个小知识点
 【原创】常用元器件(数码管)选型之引脚和极性识别-cayden20221029
Matlab进阶绘图第28期—带回归趋势线的密度散点图
 vue 点击当前元素进行显示隐藏，上次点过的元素隐藏
 vscode：连接服务器进行远程开发调试
 Solidity智能合约开发 — 4.2-合约的fallback和函数重载
原文地址：https://blog.csdn.net/m0_52162042/article/details/126441178