python+selenium實現動態爬取及selenuim的常用操作

摘要： 應用例項可以參考部落格中的12306自動搶票應用 https://www.cnblogs.com/mumengyun/p/10001109.html 動態網頁資料抓取 什麼是AJAX： AJAX（Asynchronouse JavaScript And XM...

動態網頁資料抓取

什麼是AJAX：

AJAX（Asynchronouse JavaScript And XML）非同步JavaScript和XML。過在後臺與伺服器進行少量資料交換，Ajax 可以使網頁實現非同步更新。

這意味著可以在不重新載入整個網頁的情況下，對網頁的某部分進行更新。傳統的網頁（不使用Ajax）如果需要更新內容，必須過載整個網頁頁面。因為傳統的在傳輸資料格式方面，使用的是XML語法。因此叫做AJAX

其實現在資料互動基本上都是使用JSON。使用AJAX載入的資料，即使使用了JS，將資料渲染到了瀏覽器中，在右鍵->檢視網頁原始碼還是不能看到通過ajax載入的資料，只能看到使用這個url載入的html程式碼。

獲取ajax資料的方式：

1. 直接分析ajax呼叫的介面。然後通過程式碼請求這個介面。
2. 使用Selenium+chromedriver模擬瀏覽器行為獲取資料。

第一種：

分析介面 直接可以請求到資料。不需要做一些解析工作。程式碼量少，效能高。 分析介面比較複雜，特別是一些通過js混淆的介面，要有一定的js功底。容易被發現是爬蟲。

第二種：

selenium直接模擬瀏覽器的行為。瀏覽器能請求到的，使用selenium也能請求到。爬蟲更穩定。 程式碼量多。效能低。

Selenium+chromedriver獲取動態資料：

Selenium相當於是一個機器人。可以模擬人類在瀏覽器上的一些行為，自動處理瀏覽器上的一些行為，比如點選，填充資料，刪除cookie等。chromedriver是一個驅動Chrome瀏覽器的驅動程式，使用他才可以驅動瀏覽器。

當然針對不同的瀏覽器有不同的driver。以下列出了不同瀏覽器及其對應的driver：

Chrome：https://sites.google.com/a/chromium.org/chromedriver/downloads

Firefox：https://github.com/mozilla/geckodriver/releases

Edge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/

Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

安裝Selenium和chromedriver：

安裝Selenium：Selenium有很多語言的版本，有java、ruby、python等。我們下載python版本的就可以了。

pip install selenium

安裝chromedriver：

下載完成後，放到不需要許可權的純英文目錄下就可以了。

快速入門：

現在以一個簡單的獲取百度首頁的例子來講下Selenium和chromedriver如何快速入門：

from selenium import webdriver

# chromedriver的絕對路徑
driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'

# 初始化一個driver，並且指定chromedriver的路徑
driver = webdriver.Chrome(executable_path=driver_path)
# 請求網頁
driver.get("https://www.baidu.com/")
# 通過page_source獲取網頁原始碼
print(driver.page_source)

selenium常用操作：

更多教程請參考：http://selenium-python.readthedocs.io/installation.html#introduction

關閉頁面：

driver.close()：關閉當前頁面。
driver.quit()：退出整個瀏覽器。

定位元素：

find_element_by_id：根據id來查詢某個元素。等價於：
submitTag = driver.find_element_by_id('su')
submitTag1 = driver.find_element(By.ID,'su')
find_element_by_class_name：根據類名查詢元素。 等價於：
submitTag = driver.find_element_by_class_name('su')
submitTag1 = driver.find_element(By.CLASS_NAME,'su')
find_element_by_name：根據name屬性的值來查詢元素。等價於：
submitTag = driver.find_element_by_name('email')
submitTag1 = driver.find_element(By.NAME,'email')
find_element_by_tag_name：根據標籤名來查詢元素。等價於：
submitTag = driver.find_element_by_tag_name('div')
submitTag1 = driver.find_element(By.TAG_NAME,'div')
find_element_by_xpath：根據xpath語法來獲取元素。等價於：
submitTag = driver.find_element_by_xpath('//div')
submitTag1 = driver.find_element(By.XPATH,'//div')
find_element_by_css_selector：根據css選擇器選擇元素。等價於：
submitTag = driver.find_element_by_css_selector('//div')
submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')

注意:find_element是獲取第一個滿足條件的元素。find_elements是獲取所有滿足條件的元素。

操作表單元素：

操作輸入框：分為兩步。

第一步：找到這個元素。

第二步：使用send_keys(value)，將資料填充進去：

inputTag = driver.find_element_by_id('kw')
inputTag.send_keys('python')

使用clear方法可以清除輸入框中的內容。示例程式碼如下：

inputTag.clear()

操作checkbox：

因為要選中checkbox標籤，在網頁中是通過滑鼠點選的。因此想要選中checkbox標籤，那麼先選中這個標籤，然後執行click事件。

rememberTag = driver.find_element_by_name("rememberMe")
rememberTag.click()

選擇select：

select元素不能直接點選。因為點選後還需要選中元素。

這時候selenium就專門為select標籤提供了一個類selenium.webdriver.support.ui.Select。

將獲取到的元素當成引數傳到這個類中，建立這個物件。以後就可以使用這個物件進行選擇了。：

from selenium.webdriver.support.ui import Select
# 選中這個標籤，然後使用Select建立物件
selectTag = Select(driver.find_element_by_name("jumpMenu"))
# 根據索引選擇
selectTag.select_by_index(1)
# 根據值選擇
selectTag.select_by_value("http://www.95yueba.com")
# 根據可視的文字選擇
selectTag.select_by_visible_text("95秀客戶端")
# 取消選中所有選項
selectTag.deselect_all()

操作按鈕：

操作按鈕有很多種方式。比如單擊、右擊、雙擊等。這裡講一個最常用的。就是點選。直接呼叫click函式就可以了

inputTag = driver.find_element_by_id('su')
inputTag.click()

行為鏈：

有時候在頁面中的操作可能要有很多步，那麼這時候可以使用滑鼠行為鏈類ActionChains來完成。比如現在要將滑鼠移動到某個元素上並執行點選事件。那麼示例程式碼如下：

inputTag = driver.find_element_by_id('kw')
submitTag = driver.find_element_by_id('su')

actions = ActionChains(driver)
actions.move_to_element(inputTag)
actions.send_keys_to_element(inputTag,'python')
actions.move_to_element(submitTag)
actions.click(submitTag)
actions.perform()

還有更多的滑鼠相關的操作。

click_and_hold(element)：點選但不鬆開滑鼠。
context_click(element)：右鍵點選。
double_click(element)：雙擊。

更多方法請參考：http://selenium-python.readthedocs.io/api.html

Cookie操作：

獲取所有的cookie：
for cookie in driver.get_cookies():
print(cookie)
根據cookie的key獲取value：
value = driver.get_cookie(key)
刪除所有的cookie：
driver.delete_all_cookies()
刪除某個cookie：
driver.delete_cookie(key)

頁面等待：

現在的網頁越來越多采用了 Ajax 技術，這樣程式便不能確定何時某個元素完全加載出來了。如果實際頁面等待時間過長導致某個dom元素還沒出來，但是你的程式碼直接使用了這個WebElement，那麼就會丟擲NullPointer的異常。為了解決這個問題。所以 Selenium 提供了兩種等待方式：一種是隱式等待、一種是顯式等待。

隱式等待：

呼叫driver.implicitly_wait。那麼在獲取不可用的元素之前，會先等待10秒中的時間。

driver = webdriver.Chrome(executable_path=driver_path)
driver.implicitly_wait(10)
# 請求網頁
driver.get("https://www.douban.com/")

顯示等待：

顯示等待是表明某個條件成立後才執行獲取元素的操作。也可以在等待的時候指定一個最大的時間，如果超過這個時間那麼就丟擲一個異常。顯示等待應該使用selenium.webdriver.support.excepted_conditions期望的條件和selenium.webdriver.support.ui.WebDriverWait來配合完成。

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Firefox()
driver.get("http://somedomain/url_that_delays_loading")
try:
element = WebDriverWait(driver, 10).until(
EC.presence_of_element_located((By.ID, "myDynamicElement"))
# 注意：是傳的一個元組！！！！
)
finally:
driver.quit()

一些其他的等待條件：

presence_of_element_located：某個元素已經載入完畢了。
presence_of_all_emement_located：網頁中所有滿足條件的元素都載入完畢了。
element_to_be_cliable：某個元素是可以點選了。

更多條件請參考：http://selenium-python.readthedocs.io/waits.html

切換頁面：

有時候視窗中有很多子tab頁面。這時候肯定是需要進行切換的。selenium提供了一個叫做switch_to_window來進行切換，具體切換到哪個頁面，可以從driver.window_handles中找到。

# 開啟一個新的頁面
self.driver.execute_script("window.open('"+url+"')")
# 切換到這個新的頁面中
self.driver.switch_to_window(self.driver.window_handles[1])

設定代理ip：

有時候頻繁爬取一些網頁。伺服器發現你是爬蟲後會封掉你的ip地址。這時候我們可以更改代理ip。更改代理ip，不同的瀏覽器有不同的實現方式。這裡以Chrome瀏覽器為例來講解：

from selenium import webdriver

options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://110.73.2.248:8123")
driver_path = r"D:\ProgramApp\chromedriver\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)

driver.get('http://httpbin.org/ip')

WebElement元素：

from selenium.webdriver.remote.webelement import WebElement 類是每個獲取出來的元素的所屬類。

有一些常用的屬性：

get_attribute ：這個標籤的某個屬性的值。

screentshot ：獲取當前頁面的截圖。這個方法只能在driver上使用。

driver的物件類，也是繼承自WebElement。

更多請閱讀相關原始碼。