• 100天精通Python——第47天：selenium自动化操作浏览器

    在这里插入图片描述

    文章目录

    每篇前言

    • 🏆🏆作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6

    • 🔥🔥本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》
    • 📝​📝​此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
    • 🎉🎉订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进两百人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
    • 🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！

    在这里插入图片描述
    在这里插入图片描述

    一、Selenium框架环境搭建

    Selenium 是一个用于测试 Web 应用程序的框架，该框架测试直接在浏览器中运行，就像真实用户操作一样。在爬虫领域 selenium 同样是一把利器，能够解决大部分的网页的反爬问题。Selenium 可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生。

    1. 下载模块

    1. window电脑点击win键+ R，输入：cmd

    在这里插入图片描述

    2. 安装selenium，输入对应的pip命令：pip install selenium

    2. 安装浏览器驱动WebDriver

    Selenium 库里有个叫 WebDriver 的 API。WebDriver 有点儿像可以加载网站的浏览器，但是它也可以像 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 (发送文本、点击等)，以及执行其他动作。

    Chrome浏览器驱动下载地址：http://chromedriver.storage.googleapis.com/index.html

    Firefox浏览器驱动下载地址：https://github.com/mozilla/geckodriver/releases/

    Edge浏览器驱动下载地址：：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/#downloads

    PhantomJS安装教程（无界面浏览器，它会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，所以运行起来比完整的浏览器要高效）：PhantomJS浏览器下载安装、配置环境变量及使用教程

    注意：需要下对应浏览器版本的驱动，下载安装步骤如下：

    • 1. 确定浏览器的版本：
      在这里插入图片描述

    • 2. 找到最相近的那个点击，下载对应的Chrome驱动版本：
      在这里插入图片描述

    • 3. 选择合适的操作系统：
      在这里插入图片描述

    • 4. 安装包解压后放进Python安装路径下：

      在这里插入图片描述

    二、基础操作

    1. 打开浏览器

    操作 Chrome 浏览器：

    from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Chrome()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    操作 Firefox 浏览器：

    from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Firefox()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    操作 Edge 浏览器：

    from selenium import webdriver

# 浏览器的初始化
browser = webdriver.Edge()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    操作 PhantomJS 浏览器：

    from selenium import webdriver

# 初始化浏览器
browser = webdriver.PhantomJS()
# 发送请求
browser.get('https://www.baidu.com/')

# 打印页面的标题
print(browser.title)

# 退出模拟浏览器
browser.quit()  # 一定要退出！不退出会有残留进程

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    2. 无界面模式

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

    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
browser = webdriver.Chrome(chrome_options=chrome_options)

browser.get('https://www.baidu.com/')

# 查看请求的数据
print(browser.page_source)  # 查看渲染后的数据，就可以Xpath进行解析获取数据了
print(browser.get_cookies())  # 查看请求页面后的cookies值
print(browser.current_url)  # 查看请求url

# 关闭页面
browser.close()
# 关闭浏览器
browser.quit()

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22

    3. 元素定位

    通过selenium的基本使用可以简单操作浏览器了，接下来我们再来学习下定位元素的其他方法

    from selenium import webdriver
from selenium.webdriver.common.by import By

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
url = 'https://www.xxx.com/'
browser.get(url)
html_str = browser.page_source

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    假设访问地址某网址，返回 html_str 为如下内容：

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

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17

    1.根据 id 属性值获取元素列表：

    from selenium.webdriver.common.by import By

# 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")

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    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")

    • 1
    • 2
    • 3
    • 4

    3. 根据Xpath获取元素列表：

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

    • 1
    • 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_elements(by=By.LINK_TEXT, value="Foo")

    • 1
    • 2
    • 3
    • 4

    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")

    • 1
    • 2
    • 3
    • 4

    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_elements(by=By.TAG_NAME, value="li")

    • 1
    • 2
    • 3
    • 4

    4. 元素操作

    1. 获取文本（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)

    • 1
    • 2

    2. 获取属性值（通过定位获取的标签对象的get_ attribute 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'))

    • 1
    • 2

    5. 前进后退

    # 前进
browser.forward()

# 后退 
browser.back()

    • 1
    • 2
    • 3
    • 4
    • 5

    6. 执行js

    selenium可以让浏览器执行我们规定的js代码：browser.execute_script(js)

    from selenium import webdriver

browser = webdriver.Chrome()
url = 'https://www.baidu.com/'
browser.get(url)

js = 'window.scrol1To(O,document.body.scrollHeight)'  # js语句
browser.execute_script(js) # 执行js的方法

browser.quit()

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    7.页面等待

    现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来，但是你的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而且会提高产生 ElementNotVisibleException 的概率。所以 Selenium 提供了两种等待方式，一种是隐式等待，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直到这个条件成立时继续执行。

    隐式等待（常用）

    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

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

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    显式等待（了解）

    显式确定等待指定某个元素，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会抛出异常了。

    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_conditions 类，负责条件出发
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()
driver.get('https://www.baidu.com/')
try:
    # 页面一直循环，直到 id="input" 出现
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "input"))
    )
finally:
    driver.quit()

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    三、进阶操作

    1. 使用代理ip

    selenium控制浏览器也是可以使用代理ip的。

    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driver对象
driver = webdriver.Chrome(chrome_options=options)
driver.get("https://www.baidu.com")

# 获取页面内容
print(driver.page_source)

# 延迟3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
driver.close()

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17

    2. 修改请求头

    selenium可以修改请求头，伪装不同浏览器

    from selenium import webdriver
import time

agent = 'Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (KHTML, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1'
# 1. 实例化配置对象
options = webdriver.ChromeOptions()
# 2. 配置对象修改请求头
options.add_argument('--user-agent=' + agent)
# 3. 实例化带有配置对象的driver对象
driver = webdriver.Chrome(chrome_options=options)
driver.get("https://www.baidu.com")

# 获取页面内容
print(driver.page_source)

# 延迟3秒后关闭当前窗口，如果是最后一个窗口则退出
time.sleep(3)
driver.close()

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18

    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检测到，轻松的识别出你是爬虫。

    正常情况手动打开浏览器，输入网址https://bot.sannysoft.com/：
    在这里插入图片描述

    selenium 无界面模式打开浏览器：

    from selenium import webdriver


chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
driver = webdriver.Chrome(chrome_options=chrome_options)

driver.get('https://bot.sannysoft.com/')

# 对当前页面进行截图
driver.save_screenshot('1.png')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    生成图片：
    在这里插入图片描述

    很明显就已经被网站发现是爬虫了！

    解决浏览器指纹特征关键，实际就是一个 stealth.min.js 文件，通过Python执行这个js文件可以隐藏浏览器指纹

    stealth.min.js文件下载地址：关注文末公众号，回复：隐藏浏览器指纹

    添加请求头 + 执行 stealth.min.js 文件进行隐藏浏览器指纹：

    from selenium import webdriver

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
# 添加请求头伪装浏览器
chrome_options.add_argument(
    'user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36')
driver = webdriver.Chrome(chrome_options=chrome_options)

with open('stealth.min.js') as f:
    js = f.read()

driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
    "source": js
})

driver.get('https://bot.sannysoft.com/')
driver.save_screenshot('2.png')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19

    运行结果：
    在这里插入图片描述

    通过执行 stealth.min.js 进行隐藏浏览器指纹，已经和正常访问一样了！

    四、书籍推荐

    书籍展示：《人工智能原理与实践 》

    在这里插入图片描述

    【书籍内容简介】

    • 涵盖人工智能和数据科学各个重要体系，通过算法中最重要的理论推导和精华分析+六大典型AI和数据科学应用场景，深入浅出地讲解和展示机器学习应用的具体流程。
      全面：涵盖人工智能和数据科学各个重要体系经典：世界名校AI专业深造，国际大行实战经验系统：重要理论和公式层层推导，阐述深入浅出实战：六大典型AI和数据科学应用场景，透彻分析和代码实现
  • 相关阅读:
    SpringBoot：第一章JavaConfig、@ImportResource、@PropertyResource等总结（动力）
    低代码是什么？用它来开发系统有什么优势呢？
    靶场上新：Openfire身份认证绕过
    【Linux升级之路】0_Linux入门 | 环境搭建 | 使用常识 | 用户管理
    十、数据结构——树结构实际应用
    python二次开发CATIA：新建Part文档
    优秀的测试/开发程序员，是怎样修炼的？步步为营地去执行......
    For-else：Python中一个奇怪但有用的特性
    JMeter-BeanShell预处理程序和BeanShell后置处理程序的应用
    2.KDTree相关
  • 原文地址：https://blog.csdn.net/yuan2019035055/article/details/125772198