Python网络爬虫(selenium基本使用)

一、selenium简介

　　selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题 selenium本质是通过驱动浏览器，完全模拟浏览器的操作，比如跳转、输入、点击、下拉等，来拿到网页渲染之后的结果，可支持多种浏览器
　　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。
　　Selenium 自己不带浏览器，不支持浏览器的功能，它需要与第三方浏览器结合在一起才能使用。但是我们有时候需要让它内嵌在代码中运行，所以我们可以用一个叫 PhantomJS 的工具代替真实的浏览器。
二、安装与浏览器对应关系

可以从 PyPI 网站下载 Selenium库https://pypi.python.org/simple/selenium ，也可以用 第三方管理器 pip用命令安装：sudo pip install selenium
Selenium 官方参考文档：http://selenium-python.readthedocs.io/index.html
下载浏览器驱动程序：
http://chromedriver.storage.googleapis.com/index.html
查看驱动和浏览器版本的映射关系：
http://blog.csdn.net/huilan_same/article/details/51896672

三、简单使用/selenium测试

from selenium import webdriver
from time import sleep

# 后面是你的浏览器驱动位置，记得前面加r'','r'是防止字符转义的
driver = webdriver.Chrome(r'驱动程序路径')
# 用get打开百度页面
driver.get("http://www.baidu.com")
# 查找页面的“设置”选项，并进行点击
driver.find_elements_by_link_text('设置')[0].click()
sleep(2)
# # 打开设置后找到“搜索设置”选项，设置为每页显示50条
driver.find_elements_by_link_text('搜索设置')[0].click()
sleep(2)

# 选中每页显示50条
m = driver.find_element_by_id('nr')
sleep(2)
m.find_element_by_xpath('//*[@id="nr"]/option[3]').click()
m.find_element_by_xpath('.//option[3]').click()
sleep(2)

# 点击保存设置
driver.find_elements_by_class_name("prefpanelgo")[0].click()
sleep(2)

# 处理弹出的警告页面   确定accept() 和 取消dismiss()
driver.switch_to_alert().accept()
sleep(2)
# 找到百度的输入框，并输入 美女
driver.find_element_by_id('kw').send_keys('美女')
sleep(2)
# 点击搜索按钮
driver.find_element_by_id('su').click()
sleep(2)
# 在打开的页面中找到“Selenium - 开源中国社区”，并打开这个页面
driver.find_elements_by_link_text('美女_百度图片')[0].click()
sleep(3)

# 关闭浏览器
driver.quit()

四、创建浏览器对象(句柄)
　　Selenium支持非常多的浏览器，如Chrome、Firefox、Edge等，还有Android、BlackBerry等手机端的浏览器。另外，也支持无界面浏览器PhantomJS。

　　PhantomJS 是一个基于Webkit的“无界面”(headless)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。

　　如果我们把 Selenium 和 PhantomJS 结合在一起，就可以运行一个非常强大的网络爬虫了，这个爬虫可以处理 JavaScrip、Cookie、headers，以及任何我们真实用户需要做的事情。

PhantomJS 是一个功能完善(虽然无界面)的浏览器而非一个 Python 库，所以它不需要像 Python 的其他库一样安装，但我们可以通过Selenium调用PhantomJS来直接使用。

在Ubuntu16.04中可以使用命令安装：sudo apt-get install phantomjs

如果其他系统无法安装，可以从它的官方网站http://phantomjs.org/download.html) 下载。

PhantomJS 官方参考文档：http://phantomjs.org/documentation

from selenium import webdriver
  
browser = webdriver.Chrome()  # 谷歌浏览器
browser = webdriver.Firefox()  # 火狐浏览器
browser = webdriver.Edge()  #IE 浏览器
browser = webdriver.PhantomJS()  # 无可视化界面的浏览器(无头浏览器)
browser = webdriver.Safari()  # 苹果macOS中浏览器

五、元素定位

find_element_by_id()  # 通过元素ID定位
find_element_by_name()  # 通过元素Name定位
find_element_by_class_name()  # 通过类名定位
find_element_by_tag_name()  # 通过元素TagName定位
find_element_by_link_text()  # 通过文本内容定位
find_element_by_partial_link_text() # 模糊匹配超链接载体
find_element_by_xpath()  # 通过Xpath语法定位
find_element_by_css_selector()  # 通过选择器定位

注意：
1、find_element_by_xxx找的是第一个符合条件的标签，find_elements_by_xxx找的是所有符合条件的标签。

2、根据ID、CSS选择器和XPath获取，它们返回的结果完全一致。

3、另外，Selenium还提供了通用方法find_element()，它需要传入两个参数：查找方式By和值。实际上，它就是find_element_by_id()这种方法的通用函数版本，比如find_element_by_id(id)就等价于find_element(By.ID, id)，二者得到的结果完全一致。

六、节点交互

　　Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。比较常见的用法有：输入文字时用send_keys()方法，清空文字时用clear()方法，点击按钮时用click()方法。示例如下：

from selenium import webdriver
import time
 
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')
input.send_keys('MAC')  # 输入框接收内容
#browser.find_element_by_id('q').send_keys('填写内容')
time.sleep(1)

input.clear()  # 清空输入框
input.send_keys('IPhone')
button = browser.find_element_by_class_name('btn-search')
button.click()  # 点击按钮
browser.quit()

七、动作链

　　在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。

　　比如，现在实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处，可以这样实现：

from selenium import webdriver
from selenium.webdriver import ActionChains
from time import sleep


# 创建一个浏览器对象
bro = webdriver.Chrome(executable_path="chromedriver.exe")
# 发起url请求
bro.get("https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable")

# 定位的标签是存在于iframe的子页面中，如果直接使用find做定位，是定位不到的
# 定位iframe中标签操作
# 第一步：定位到iframe标签位置
bro.switch_to.frame("iframeResult")
# 第二步：通过ID定位到需要拖动的标签
target_ele = bro.find_element_by_id("draggable")


# 创建一个拖动对象
action = ActionChains(bro)
# 点击拖动对象并长按保持
action.click_and_hold(target_ele)

# 模拟拖动5次，每次拖动17个像素点
for i in range(5):
    # 执行拖动动作
    action.move_by_offset(17, 0).perform()
    # 每拖动17像素暂停5秒
    sleep(2)

# 释放拖动对象句柄
action.release()

sleep(2)
# 关闭浏览器
bro.quit()

八、执行JavaScript

　　对于某些操作，Selenium API并没有提供。比如，下拉进度条，它可以直接模拟运行JavaScript，此时使用execute_script()方法即可实现，代码如下：

from selenium import webdriver
 
browser = webdriver.Chrome()
browser.get('https://www.jd.com/')
# 滑动鼠标到下一屏
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)') # 竖直滑动，scrollHeight一屏高度
browser.execute_script('alert("123")')  # js代码，提示框

九、获取页面源码数据

　　通过page_source属性可以获取网页的源代码，接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery等）来提取信息了。

from selenium import webdriver
from time import sleep

# 创建一个浏览器对象
bro = webdriver.Chrome(executable_path="chromedriver.exe")
# 发起url请求
bro.get("http://www.jd.com/")

# 获取网页源码
page_text = bro.page_source
with open("jd.html", "w", encoding="utf-8") as fp:
    fp.write(page_text)

sleep(2)
# 关闭浏览器
bro.quit()

十、前进和后退

#模拟浏览器的前进后退
import time
from selenium import webdriver
 
browser=webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.get('https://www.taobao.com')
browser.get('http://www.sina.com.cn/')
 
browser.back() # 后退到前一个访问页面
time.sleep(10)
browser.forward() # 前进到前一个访问页面
browser.close()

十一、标签属性

from selenium import webdriver
# 创建chrome浏览器对象
bro = webdriver.Chrome(executable_path="chromedriver.exe")

# 获取点击按钮的title属性的值
next_page = bro.find_element_by_id("pageIto_next").get_attribute("title")

十二、窗口句柄切换

# 获取所有窗口句柄
all_h = dri.window_handles
print(all_h)

# 切换最后窗口句柄
dri.switch_to.window(all_h[-1])
# 切换第一个窗口句柄
dri.switch_to.window(all_h[0])
# 查看当前窗口句柄 print(dri.current_window_handle)

十三、Cookie处理
　　使用Selenium，还可以方便地对Cookies进行操作，例如获取、添加、删除Cookies等。示例如下：

from selenium import webdriver
 
browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())  # 获取当前cookie信息

# 添加cookie信息
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
print(browser.get_cookies())

# 删除所有cookie信息
browser.delete_all_cookies()
print(browser.get_cookies())

十四、异常处理

from selenium import webdriver
from selenium.common.exceptions import TimeoutException,NoSuchElementException,NoSuchFrameException

try:
    browser=webdriver.Chrome()
    browser.get('http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
    browser.switch_to.frame('iframssseResult')

except TimeoutException as e:
    print(e)
except NoSuchFrameException as e:
    print(e)
finally:
    browser.close()

十五、selenium规避被检测识别
　　现在不少大网站有对selenium采取了监测机制。比如正常情况下我们用浏览器访问淘宝等网站的 window.navigator.webdriver的值为
undefined。而使用selenium访问则该值为true。那么如何解决这个问题呢？

　　只需要设置Chromedriver的启动参数即可解决问题。在启动Chromedriver之前，为Chrome开启实验性功能参数excludeSwitches，它的值为['enable-automation']，完整代码如下：

from selenium.webdriver import Chrome
from selenium.webdriver import ChromeOptions

option = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = Chrome(options=option)

十六、项目实例(selenium站长素材高清图片下载)

from selenium import webdriver
from time import sleep

base_url = "http://sc.chinaz.com/tupian/weimeiyijingtupian.html"

# 创建一个浏览器句柄对象
dri = webdriver.Chrome(executable_path="chromedriver.exe")

# 跳转到指定url
dri.get(base_url)

# 点击跳转图片详情页
dri.find_element_by_xpath('//*[@id="container"]/div[1]/p/a').click()

# 获取所有窗口句柄
all_h = dri.window_handles
print(all_h)

# 切换到新窗口句柄
dri.switch_to.window(all_h[1])

# 查看当前窗口句柄
print(dri.current_window_handle)

sleep(2)

# 点击下载图片(方式一)
# btn = dri.find_element_by_xpath('/html/body/div[7]/div[5]/div[1]/div[6]/div[2]/div[1]/div/div[3]/a[2]')
# btn.click()

# xpath获取所有满足条件的结果，返回一个复数形式(列表)方式二
# btn = dri.find_elements_by_xpath('/html/body/div[5]/div[5]/div[1]/div[6]/div[2]/div[1]/div/div[3]/a[1]')
# print(btn)
# 网速慢可能拿不到结果，可以做异常捕获
# btn[0].click()

# 通过文本信息定位(方式三)
dri.find_element_by_link_text("广东电信下载").click()

sleep(1)
# 退出浏览器
dri.close()

十七、项目实例(selenium药监局企业名称获取)

from selenium import webdriver
from time import sleep
import requests

# ajax请求post获取企业详细内容
detail_url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList"

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3573.0 Safari/537.36"
}

# 创建chrome浏览器对象
bro = webdriver.Chrome(executable_path="chromedriver.exe")

# 请求url，请求药监局主页面
bro.get("http://125.35.6.84:81/xk/")

# 定义一个列表：存放所有企业名
title_list = []


# 获取当前页的所有公司的名字
def get_company_title(json_data):
    data_list = json_data["list"]
    for data in data_list:
        title = data['EPS_NAME']
        title_list.append(title)

    return title_list


# 初始psge=1 获取第一页内容
page = 1


# post请求参数
def get_data(page):
    data = {
        'on': 'true',
        'page': page,
        'pageSize': '15',
        'productName': '',
        'conditionType': '1',
        'applyname': '',
        'applysn': '',
    }

    return data


# 请求首页信息
page_text = requests.post(url=detail_url, data=get_data(page), headers=headers).json()

# 首页的公司名字
get_company_title(page_text)
print("获取第1页数据！！！")

# 循环获取其他页信息
for page in range(10):
    # 定位到点击下一页按钮
    next_btn = bro.find_element_by_id("pageIto_next")
    # 点击下一页
    next_btn.click()
    # 延时2秒
    sleep(2)
    # 获取点击按钮的title值
    next_page = bro.find_element_by_id("pageIto_next").get_attribute("title")
    page_text = requests.post(url=detail_url, data=get_data(next_page), headers=headers).json()
    get_company_title(page_text)
    print("获取第{}页数据！！！".format(next_page))


# 打印获取的所有企业名字信息
print(title_list)

sleep(2)
# 关闭浏览器
bro.quit()

十八、selenium模拟登录qq空间，爬取数据

import requests
from selenium import webdriver
from lxml import etree
import time

driver = webdriver.Chrome(executable_path='/Users/bobo/Desktop/chromedriver')
driver.get('https://qzone.qq.com/')
#在web 应用中经常会遇到frame 嵌套页面的应用，使用WebDriver 每次只能在一个页面上识别元素，对于frame 嵌套内的页面上的元素，直接定位是定位是定位不到的。
这个时候就需要通过switch_to_frame()方法将当前定位的主体切换了frame 里。
driver.switch_to.frame('login_frame') #login_frame 是ID值
driver.find_element_by_id('switcher_plogin').click()

#driver.find_element_by_id('u').clear()
driver.find_element_by_id('u').send_keys('328410948')  #这里填写你的QQ号
#driver.find_element_by_id('p').clear()
driver.find_element_by_id('p').send_keys('xxxxxx')  #这里填写你的QQ密码
    
driver.find_element_by_id('login_button').click()
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(2)
page_text = driver.page_source

tree = etree.HTML(page_text)
#执行解析操作
li_list = tree.xpath('//ul[@id="feed_friend_list"]/li')
for li in li_list:
    text_list = li.xpath('.//div[@class="f-info"]//text()|.//div[@class="f-info qz_info_cut"]//text()')
    text = ''.join(text_list)
    print(text+'\n\n\n')
    
driver.close()

十九、selenium注册XX邮箱(未对接接码平台)

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# 导入 webdriver
import time,random,string

#from selenium.webdriver import
from selenium import webdriver
# 调用键盘按键操作时需要引入的Keys包
from selenium.webdriver.common.keys import Keys
# 调用环境变量指定的PhantomJS浏览器创建浏览器对象
#driver = webdriver.PhantomJS()
# 如果没有在环境变量指定PhantomJS位置
chrome_driver = r'C:\Users\Administrator\AppData\Local\Google\Chrome\Application\chromedriver.exe' #chromedriver的文件位置
prefs = {
    'profile.default_content_setting_values':
        {'notifications': 2
        }}


class Wylogin:
    def __init__(self):
        self.url = 'https://smart.mail.xxx.com/signup/'
        self.driver = webdriver.Chrome(executable_path=chrome_driver)

    def phone_send(self,key,value):
        #发送短信
        print(key,value)

    def mail_check(self):
        #判断邮箱是否可以注册
        pass
        '该邮箱地址已被注册'

    def random_email(self):
        email = str("".join([random.choice(string.ascii_lowercase) if random.randint(0, 1) else random.choice(string.ascii_lowercase) for i in range(7)]))
        print('email账号为',email)
        return email

    def save_email(self,email):
        with open('email.txt','r') as f:
            f.write(email)

    def login_spider(self):
        #等待页面加载
        self.driver.get(self.url)
        options = webdriver.ChromeOptions()
        # 关掉浏览器左上角的通知提示
        options.add_experimental_option('prefs', prefs)
        # 关闭'chrome正受到自动测试软件的控制'提示
        options.add_argument("disable-infobars")

    def fill_content(self):
        #随机创建邮箱账号
        email = str("".join(
            [random.choice(string.ascii_lowercase) if random.randint(0, 1) else random.choice(string.ascii_lowercase)
             for i in range(7)]))
        #填写邮箱号码
        self.driver.find_element_by_name('email').send_keys(email)
        # 填写手机号
        self.driver.find_element_by_name('mobile').send_keys("15771713391")
        #勾选单选框 - 同意《服务条款》、《隐私政策》 和《儿童隐私政策》
        self.driver.find_element_by_xpath("//*[@id='root']/div/div[8]/div[1]//*[name()='svg']").click()
        time.sleep(0.3)
        # 判断邮箱是否可以注册
        check_email = self.driver.find_element_by_xpath('//*[@id="root"]/div/div[3]').text
        print('判断邮箱是否可以注册',check_email)
        if check_email == '该邮箱地址已被注册' :
            self.login_spider()
        elif check_email == '邮箱地址需以字母开头':
            self.login_spider()
        else:
            pass
        #填写邮箱密码
        self.driver.find_element_by_name('password').send_keys("abcd1234")
        time.sleep(0.5)

        #获取短信内容并打印出来
        dx_content =self.driver.find_element_by_xpath('//*[@id="root"]/div/div[7]/div/div[2]/span[1]').text
        dx_phone =self.driver.find_element_by_xpath('//*[@id="root"]/div/div[7]/div/div[2]/span[2]').text
        self.phone_send(dx_content,dx_phone)

        #发送短信,调用手机号发送短信
        #self.phone_send('xxx','ver')

        #点击注册
        #self.driver.find_element_by_class_name("button_primary__1dduK").click()
        self.save_email(email)

    def run(self):
        self.login_spider()
        self.fill_content()
        # 保存邮箱账号

if __name__ == "__main__":
    wy = Wylogin()
    wy.run()
#print(data)