Python爬虫：selenium动态加载HTML的常用方法【汇总笔记】

前言

        Selenium 是一个用于Web应用程序测试的工具。

        Selenium 测试直接运行在浏览器中，就像真正的用户在操作一样。支持的浏览器包括IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera，Edge等。

        这个工具的主要功能包括：

• 浏览器兼容性测试：测试应用程序看是否能够很好的工作在不同浏览器和操作系统之上；
• 系统功能测试：创建回归测试检验软件功能和用户需求；

• 支持自动录制动作和自动生成.Net、Java、Perl等不同语言的测试脚本。

        通过本篇，你将学会使用 selenium 动态加载HTML的技巧，包括：操作输入框，键盘，下拉条，页面跳转，标签内容读取...。

---

正文

        Selenium 是浏览器自动测试框架，模拟浏览器，驱动浏览器执行特定的动作，并可获取浏览器当前呈现的页面的源代码，可见即可爬。正是利用了这一特点，Python 可以实现对动态页面的渲染，做到可见即可爬。

一、chromedriver 驱动安装

        Selenium 相当于机器人，可以模拟人在浏览器中的行为，并自动处理浏览器中的行为，如：单击、翻页、输入数据、回车和删除cookie操作。 而 Chromedriver 是 Chrome 浏览器的驱动程序，可以移动浏览器。

1. 驱动程序介绍

        驱动器因浏览器而异，案例以 Chrome 浏览器为例，以下是各种浏览器及其相应的驱动程序：

2. 驱动程序安装

        注意：Chromedriver 要下载与本地 Chrome 浏览器相对应的版本。

        建议：直接使用 Chromedriver 驱动的绝对路径，这样做能规避很多坑，听我的没错。

from selenium import webdriver
 
# 指定chromedriver的绝对路径
driver_path = r'C:\Users\Administrator\Desktop\chromedriver.exe'
# 初始化driver
drive = webdriver.Chrome(executable_path=driver_path)
# 请求页面，打开网页
drive.get("https://www.baidu.com/")
# 通过page_source获取网页源代码
print(drive.page_source)
# 关闭网页
drive.close()

        Chromedriver 主要负责爬取动态页面的前面部分 -- 打开HTML页面，后面页面的渲染和操作，就是 Selenium 的工作内容了。

---

二、Selenium 插件安装

        在【Terminal】控制台"pip install selenium "命令导入，或者在导航栏下【Pycharm - Settings - Python Interpreter 】自动导入插件，以后者为例：

---

三、Selenium 常用方法

1. 获取节点信息

        据说旧版本是使用【find_element_by_xx】方法获取节点，新版本已经不可用了，我目前使用的 Selenium 为【4.4.3】版本：

• 获取单个节点信息（多个则匹配第一个）：find_element(By.xx, 'xx')
• 获取多个节点信息（加S）：find_elements(By.xx, 'xx')

• 案例：

from selenium import webdriver               # 浏览器驱动
from selenium.webdriver.common.by import By  # 节点定位
 
driver = webdriver.Chrome()
driver.get('https://www.jd.com/')
# 通过id属性获取节点
driver.find_element(By.ID, 'key').send_keys("华为mate50")
# 通过class属性获取节点,并触发点击事件
driver.find_element(By.CLASS_NAME, 'button').click()
time.sleep(5)
driver.close()

• HTML说明：输入框和按钮的属性分别是【id="key"】和【class="button"】

2. 获取元素属性

• 案例：

from selenium import webdriver
 
driver = webdriver.Chrome()
driver.get('https://www.jd.com/')
el_div = driver.find_element(By.ID, 'key')
print(el_div)
print(el_div.get_attribute("class"))    # class属性
print(el_div.id)                        # id
print(el_div.location)                  # 位置
print(el_div.tag_name)                  # 标签名
print(el_div.size)                      # 大小
print(el_div.text)                      # 文本

3. 页面交互：搜索框输入，上下滚动下拉条，页面前进和后退

• 案例：

import time                                  # 时间控制
from selenium import webdriver               # 浏览器驱动
from selenium.webdriver import Keys          # 键盘驱动
from selenium.webdriver.common.by import By  # 节点定位
 
driver = webdriver.Chrome()
driver.get('https://www.jd.com/')
# 根据id属性获取【输入框】
_input = driver.find_element(By.ID, 'key')
# 标签内输入搜索内容
_input.send_keys('华为mate50')
# 标签内操作向上，向下翻页
_input.send_keys(Keys.PAGE_DOWN)
_input.send_keys(Keys.PAGE_UP)
# 根据class属性获取【搜索】按钮，触发点击事件
driver.find_element(By.CLASS_NAME, 'button').click()
# 向下滚动到底部
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
# 向上滚动到顶部
driver.execute_script('window.scrollTo(0,0)')
# 向下滚动1000位置
driver.execute_script('window.scrollTo(0,1000)')
time.sleep(2)
# 向下滚动目标元素位置
script = "arguments[0].scrollIntoView();";
driver.execute_script(script, driver.find_element(By.ID, 'J_bottomPage'))
time.sleep(2)
driver.get('https://www.baidu.com/')
driver.back()
time.sleep(2)
driver.forword()
time.sleep(2)
driver.close()

• 输入+点击的代码可以简化一下：

driver.find_element(By.ID, 'key').send_keys("华为mate50")

4. 页面等待：显式，隐式

        当进入一个新的网页时，有时网页的加载并没有那没快，当网速很慢时尤其明显，特别是针对商品列表，图片类的信息，这时候是爬不到完整数据的，所以，我们需要等待页面加载完成。

        等待的方式有3种：

• 强制等待：必须等这么久，没有任何前提条件，和页面有没有渲染无关；
• 隐性等待：设置一个时间，在设置的时间内，如果页面加载完成了就进行下一步；如果没有加载完成，则会报超时异常；
• 显式等待：设置一个等待时间，一个间隔时间，每隔一段时间执行下util中的方法，直到等待时间结束。

        注意：虽然 time.sleep(n) 简单，但是有时设置的睡眠时间过长，干等很浪费效率的，所以一般只用在想要暂停代码查看页面效果的地方，就像案例中一样。

• 案例：

import time                                  # 时间控制
from selenium import webdriver               # 浏览器驱动
from selenium.webdriver.common.by import By  # 节点定位
 
driver = webdriver.Chrome()
driver.get('https://www.jd.com/')
# 根据id属性获取【搜索框】位置，输入搜索内容
driver.find_element(By.ID, 'key').send_keys("华为mate50")
# 根据class属性获取【搜索】按钮位置，触发点击事件
driver.implicitly_wait(5)
driver.find_element(By.CLASS_NAME, 'button').click()
wait = WebDriverWait(driver, 10, 0.2)
wait.until(EC.presence_of_element_located((By.CLASS_NAME, "p-img")))
# 向下滚动到底部
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(3)
# 向上滚动到顶部
driver.execute_script('window.scrollTo(0,0)')
time.sleep(3)
driver.close()

5. 键盘事件

6. selenium转BeautifulSoup

        根据小编的开发经验，selenium 很擅长模拟和测试，它的特性是BeautifulSoup不具备的，但是对于取值操作，简单的还好，复杂点的比如循环