selenium：能够模拟人类打开浏览器的爬虫利器

相关文章推荐
暴躁的四季豆 · 树莓派3b使用selenium并更换自带的c ...· 2 月前 ·
卖萌的小蝌蚪 · sql拆分字符串为多行 - CSDN文库· 2 月前 ·
腹黑的柳树 · 將數據從Splunk內嵌至 Azure ...· 5 月前 ·
帅气的豌豆 · MySQL学习--MySQL生成定长随机字符 ...· 1 年前 ·
温暖的饭卡 · [开源] C语言项目实战 - 虚拟鼠标 - ...· 1 年前 ·
selenium 相当于是一个机器人，可以模拟人类登陆浏览器的行为，比如点击、填充数据、删除 cookie 等等。Chromedriver 是一个驱动 Chrome 的程序，使用它才可以驱动浏览器，其实Chromedriver 之前是用来做自动化测试的，但是发现很适合爬虫。当然这里是 Chromedriver，而不同的浏览器有不同的 driver，但是这里我们只介绍 Chrome，毕竟谷歌浏览器在浏览器这一层面上基本算是主宰天下了。关于selenium 一般是为了获取动态数据的，对于那些使用 ajax 技术的网站，直接获取会很麻烦，因为你在查看网页源代码里面找不到，当然如果会分析 ajax 接口的话，是可以获取到的。而通过 selenium 驱动 driver 的话，不管是什么技术，只要在页面上能看得到，那么就能获取到。因此如果是静态页面的话，建议使用 requests，动态页面推荐selenium + driver。
对于 selenium，直接 pip install selenium 即可。
对于driver，我们需要下载对应版本的 driver，关于版本可以看一下自己Chrome 的安装路径，一般默认是 C:\Program Files (x86)\Google\Chrome\Application 下面。
文件名就是对应的版本号，我们可以去 http://npm.taobao.org/mirrors/chromedriver/ 这个网站里面找到与 Chrome 相对应的 driver。一般来说，只要前三部分一样就没问题，像最后部分的90，我下载的是40，但是用着也没问题。当然有一样的就用完全一样的，主要是那个网站上面没有 77.0.3865.90 的driver，只有 77.0.3865.40 的driver，但是也可以用。
下面我们就看看这个 selenium 怎么操作这个 webdriver。
from selenium import webdriver  # 从selenium包中导入webdriver
# 指定 driver 的路径，就是我们刚才下载的。
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
# 通过webdriver调用Chrome这个类，指定executable_path，传入driver_path，得到对应的driver
driver = webdriver.Chrome(executable_path=driver_path)
# 那么我们就可以使用driver这个驱动去请求应页面了，调用 get 方法，传入url
driver.get("http://www.baidu.com/s?wd=komeijisatori")
# 调用driver下的page_source得到源代码,查看前100个字符
print(driver.page_source[0: 100])
<html><head>
		<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">
		<meta http-equiv=
可以看到，自动地会打开相应的页面。如果能打开页面并获取到数据，说明是安装成功了的，如果失败那么就根据报错信息查找一下原因吧。
selenium关闭页面和浏览器
关闭可以是关闭页面，也可以是关闭浏览器。
driver.close():关闭当前页面
driver.quit()：关闭浏览器
from selenium import webdriver 
import time 
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("http://www.baidu.com/s?wd=komeijisatori")
time.sleep(5)  # 为了观察到现象，这里sleep 5秒
# driver.close()
# driver.quit()
当我们执行程序打开页面的时候，点击加号，新建页面。如果是 close 的话，那么只会关闭最开始打开的页面，两个 新标签页 不会关闭。但如果是 quit 的话，那么不仅页面、整个浏览器都会退出。这个不好截图，可以自行尝试一下。
如果我们想找到某些标签，要怎么办呢？selenium 也为我们提供了很多的方法。
根据id来查找
from selenium.webdriver.support.select import By
# 两种方式等价的
driver.find_element_by_id("id_name")
driver.find_element(By.ID, "id_name")
根据类名查找元素
driver.find_element_by_class_name("class_name")
driver.find_element(By.CLASS_NAME, "class_name")
根据name属性的值来查找元素
driver.find_element_by_name("username")
driver.find_element(By.NAME, "username")
根据标签名来查找元素
driver.find_element_by_tag_name("div")
driver.find_element(By.TAG_NAME, "div")
根据xpath语法来选择元素
driver.find_element_by_xpath("//div[@class='哈哈哈']/a")
driver.find_element(By.XPATH, "//div[@class='哈哈哈']/a")
根据css选择器选择元素
driver.find_element_by_css_selector("banner")
driver.find_element(By.CSS_SELECTOR, "banner")
以上便是6中获取标签的方式，足够用了。但是以上所有的方法都是获取符合条件的第一个标签，如果获取多个，只需要把element改成elements。比如：find_elements_by_name("username")、find_elements(By.NAME, "username")。
比如我想获取 "百度一下你就知道" 这个输入框，我有很多种方式，比如通过id="kw"、name="wd"、class="有点长不写了" 等等。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("http://www.baidu.com")
tag = driver.find_element_by_id("kw")
# 得到的tag依旧可以使用find_element_by_xxx等方法
# 但除此之外还有哪些属性呢
# 拿到当前的标签名，既然我们获取的是输入框，应该是input
print(tag.tag_name)  # input
# 拿到标签对应的文本，有可能为空，所以我们用%r打印
print("%r" % tag.text)  # ''
# 获取位置
print(tag.location)  # {'x': 152, 'y': 310}
# 获取尺寸
print(tag.size)  # {'height': 22, 'width': 500}
# 说实话这些都没啥用，至于其他的方法，会之后介绍
之前说了，我们有很多种方式获取。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("http://www.baidu.com")
tag1 = driver.find_element_by_name("wd")
tag2 = driver.find_element_by_class_name("s_ipt")
print(tag1.tag_name)  # input
print(tag2.tag_name)  # input
由于 selenium 获取元素的方式是通过 python 原生实现的，速度肯定没有底层使用 C 语言实现的 lxml 模块快，但是它能够对标签进行操作。因此如果我们只是想获取指定内容、不对标签进行操作的话，建议使用 driver.page_source 获取网页源代码，然后使用 lxml 或者 pyquery 进行解析，pyquery底层也是使用的 lxml。
selenium操作表单元素
常见的表单元素有哪些呢？比如 type="text/username/password/email" 之类的 input 标签，我们通过 selenium 是可以往里面输入内容的。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("http://www.baidu.com")
# 获取标签
tag1 = driver.find_element_by_id("kw")
# 调用send_keys方法，往里面输入内容
tag1.send_keys("古明地觉")
自动帮我们输入了，既然能输入那就能清除。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("http://www.baidu.com")
# 获取标签
tag1 = driver.find_element_by_id("kw")
# 调用send_keys方法，往里面输入内容
tag1.send_keys("古明地觉")
import time
time.sleep(5)
# 调用clear方法，5s后就自动删除了
tag1.clear()
操作checkbox，就是我们一般登陆的时候，会有一个类似于 "记住我" 的那个小方框。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.jianshu.com/sign_in")
# 获取对应按钮
tag1 = driver.find_element_by_id("session_remember_me")
# 调用click方法表示点击
tag1.click()
如果想取消怎么办？那么就再调用一次click方法
操作select，就是有很多选项可以让我们选择的标签。个人觉的操作select很少，我没找到对应网站，就不演示了。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.xxxx.com")
# 获取select对应按钮
selectBtn = driver.find_element_by_id("select_id")
# 有了select还不行，必须要包装一下
from selenium.webdriver.support.ui import Select
selectBtn = Select(selectBtn)
# 通过索引
# selectBtn.select_by_index(1)
# 通过值
# selectBtn.select_by_value("http://xxx")
# 根据可视的文本选择
# selectBtn.select_by_visible_text("xxx")
# 取消所有选择
# selectBtn.deselect_all()
鼠标的点击事件。我们模拟百度搜索，这就意味着我们要找到输入框，输入内容，然后找到百度一下那个按钮，然后点击。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 获取input输入框
input_btn = driver.find_element_by_id("kw")
input_btn.send_keys("古明地觉")
# 获取百度一下按钮
baidu_btn = driver.find_element_by_id("su")
baidu_btn.click()
可以看到，自动进入了相应的页面。
有时候在页面中的操作有很多步，比如点击、输入内容、点击等等，那么这一串的动作可以使用一个链子串起来，就是行为链。
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains  # 导入相关的类
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 获取input输入框
input_btn = driver.find_element_by_id("kw")
# 获取百度一下按钮
baidu_btn = driver.find_element_by_id("su")
# 这个类接收一个driver
action_chains = ActionChains(driver)
# 下面可以进行操作
# 首先我们要把鼠标移动到input输入框里面去
action_chains.move_to_element(input_btn)
# 向指定的输入框里面输入内容
action_chains.send_keys_to_element(input_btn, "古明地恋")
# 然后移动到百度一下按钮上面
action_chains.move_to_element(baidu_btn)
# 点击相应的按钮
action_chains.click(baidu_btn)
# 以上相当于数据库里面的事务，然后调用perform执行链子上的操作
action_chains.perform()
以上打开页面、输入内容、点击都是程序自动完成的
行为链还有很多操作
click_and_hold(element)：点击但不松开鼠标
context_click(element)：右键点击
double_click(element)：双击
cookie操作
获取所有cookie
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
for cookie in driver.get_cookies():
    print(cookie)
{'domain': '.baidu.com', 'httpOnly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '1432_21103_18560_29073_29523_29720_29567_29220_26350_22160'}
{'domain': '.baidu.com', 'expiry': 3717332129.99234, 'httpOnly': False, 'name': 'BIDUPSID', 'path': '/', 'secure': False, 'value': 'ABEDD46CE6CCC56548E54C1159D892B6'}
{'domain': '.baidu.com', 'httpOnly': False, 'name': 'delPer', 'path': '/', 'secure': False, 'value': '0'}
{'domain': '.baidu.com', 'expiry': 3717332129.992357, 'httpOnly': False, 'name': 'PSTM', 'path': '/', 'secure': False, 'value': '1569848483'}
{'domain': '.baidu.com', 'expiry': 1569934883.162394, 'httpOnly': False, 'name': 'BDORZ', 'path': '/', 'secure': False, 'value': 'B490B5EBF6F3CD402E515D22BCDA1598'}
{'domain': 'www.baidu.com', 'expiry': 1570712483, 'httpOnly': False, 'name': 'BD_UPN', 'path': '/', 'secure': False, 'value': '12314753'}
{'domain': 'www.baidu.com', 'httpOnly': False, 'name': 'BD_HOME', 'path': '/', 'secure': False, 'value': '0'}
{'domain': '.baidu.com', 'expiry': 3717332129.99231, 'httpOnly': False, 'name': 'BAIDUID', 'path': '/', 'secure': False, 'value': 'ABEDD46CE6CCC56548E54C1159D892B6:FG=1'}
获取指定cookie
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
print(driver.get_cookie("H_PS_PSSID"))
{'domain': '.baidu.com', 'httpOnly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '1461_21115_29522_29721_29568_29221_26350'}
删除指定cookie
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
print(driver.get_cookie("H_PS_PSSID"))
{'domain': '.baidu.com', 'httpOnly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '1445_21084_29523_29721_29568_29221'}
driver.delete_cookie("H_PS_PSSID")
# 删除之后，再获取一次
print(driver.get_cookie("H_PS_PSSID"))  # None
删除所有cookie
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 删除所有的cookie
driver.delete_all_cookies()
# 得到是空列表
print(driver.get_cookies())  # []
现在的网站很多都采用了 ajax 技术，这样程序便不能确定某个元素何时会全部加载出来。如果实际页面等待时间过长导致某个 dom 元素还没有加载出来，而去获取响应标签，那么就会找不到导致报错。为了解决这种问题，所以 selenium 提供了两种等待方式，隐式等待和显式等待。
隐式等待：直接指定一个等待时间，通过 driver.implicitly_wait 指定，不管页面加载情况如何，只要过了指定的等待时间，就开始获取元素
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 表示隐式等待10s
driver.implicitly_wait(10)
# todo:可以隐式等待10s之后，再去做相应的操作
显示等待：相较于隐式等待比较智能一些，需要等待某个条件成立之后才去执行获取指定元素的操作。同时还可以指定一个最大时间间隔，如果超过了这个时间间隔，那么会抛出一个异常。显示等待应该使用 selenium.webdriver.support.excepted_conditions(期望条件) 和 selenium.webdriver.support.ui.WebDriverWait(显示等待) 来配合完成。
from selenium import webdriver
from selenium.webdriver.support import expected_conditions as ec
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support.select import By
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 让driver等待10s,直到
WebDriverWait(driver, 10).until(
    # 某个id="xxx"的元素出现
    ec.presence_of_element_located((By.ID, "ID_NAME"))
当然还有其它的等待条件：presence_of_all_elements_located：所有元素都加载完毕了。element_to_be_clickable：某个元素可以点击了。
打开多窗口和切换窗口
有时候我们想打开一个新的页面，但是原来的页面不能关，而且多个页面要来回切换，这时候怎么办呢？selenium也为我们提供了相应的方法。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
# 在介绍之前，肯定会有人思考能不能这么做
driver.get("https://www.baidu.com")
driver.get("https://www.bilibili.com")
# 这样不就打开两个页面了吗？确实没错，但是后一个页面把上一个页面给冲掉了
我们可以调用 driver.execute_script，这个方法可以直接执行 JavaScript 代码。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 在js中，通过window.open打开新窗口
driver.execute_script("window.open('https://www.bilibili.com')")
尽管通过图片，我们看到此时切换的是 bilibili 页面，但是在代码层面上，我们还是在一开始的百度窗口上面，怎么验证呢？可以调用 driver.current_url 查看一下当前页面的url。
print(driver.current_url)  # https://www.baidu.com/
打印的依旧是百度的url
那么如何切换呢？可以使用 driver.switch_to.window 里面传入窗口句柄，这个句柄可以通过 driver.window_handler 获取，driver.window_handler 是一个列表，里面存放打开的窗口句柄，句柄的顺序就是打开页面的顺序。显然对于当前 window_handler 里面只有两个句柄，第一个是百度页面的句柄，第二个是bilibili页面的句柄。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 在js中，通过window.open打开新窗口
driver.execute_script("window.open('https://www.bilibili.com')")
# 以前是driver.switch_to_window，这方法此时还能用，但是已经提示我们要被移除了
# 建议我们使用driver.switch_to.window
driver.switch_to.window(driver.window_handles[1])  # 切换到bilibili
# 打印当前页面的url
print(driver.current_url)  # https://www.bilibili.com/
现在问题来了，如果有一个页面，页面上面有 100 个链接，我要获取这 100 个链接对应的网页源代码，并且只能保持两个窗口，要怎么做呢。显然是，新窗口打开页面的url，获取内容。然后关闭，再新窗口打开页面的第二个url，继续获取，依次往复。
那我们就随便举例，先打开百度，然后打开bilibili，关掉bilibili，打开豆瓣，关掉豆瓣，打开知乎，关掉知乎，打开博客园。当然打开新页面的前提是要先回到百度，我们就假设这些链接都在百度上面。 
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
# 通过window.open打开新窗口bilibili
driver.execute_script("window.open('https://www.bilibili.com')")
# 切换到bilibili
driver.switch_to.window(driver.window_handles[1])
# 源代码就不获取了，就用打印url代替吧
print(driver.current_url)
#关掉bilibili,由于窗口已经切换了，所以close掉的是bilibili的页面
# 注意不能是quit，那样的话，整个浏览器页面就关掉了
driver.close()
# 当close之后，此时的窗口还是停留在bilibili，或者说还没有切换到百度
# 但是此bilibili页面的窗口句柄已经不存在了，此时再进行操作就会报错,提示窗口已经关闭
# 切换到百度窗口，此时window_handlers里面就只有一个元素了
driver.switch_to.window(driver.window_handles[0])
# 打开豆瓣
driver.execute_script("window.open('https://www.douban.com')")
# 切换到豆瓣,此时window_handlers里面就又有两个元素
driver.switch_to.window(driver.window_handles[1])
# 打印url
print(driver.current_url)
driver.close()
# 切换到百度
driver.switch_to.window(driver.window_handles[0])
# 打开知乎
driver.execute_script("window.open('https://www.zhihu.com')")
driver.switch_to.window(driver.window_handles[1])
print(driver.current_url)
driver.close()
driver.switch_to.window(driver.window_handles[0])
# 打开博客园
driver.execute_script("window.open('https://www.cnblogs.com')")
driver.switch_to.window(driver.window_handles[1])
print(driver.current_url)
driver.close()
# 最后再切换到百度
driver.switch_to.window(driver.window_handles[0])
print(driver.current_url)
https://www.bilibili.com/
https://www.douban.com/
https://www.zhihu.com/signin?next=%2F
https://www.cnblogs.com/
https://www.baidu.com/
当然这里演示的有些啰嗦，实际写代码的时候可以使用循环。
使用代理ip
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
# 指定代理
options = webdriver.ChromeOptions()
options.add_argument("--proxy-server=http://110.110.110.119:6666")
# 设置options参数即可
driver = webdriver.Chrome(executable_path=driver_path, chrome_options=options)
# 然后就可以使用代理访问了
driver.get("https://www.baidu.com")
WebElement类补充
我们使用 driver.find_element 等方法获取到的都是一个 WebElement 对象，那么我们在得到这个对象之后，还可以获取相应的属性。
from selenium import webdriver
driver_path = r"D:\chromedriver_win32\chromedriver.exe"
driver = webdriver.Chrome(executable_path=driver_path)
driver.get("https://www.baidu.com")
tag = driver.find_element_by_id("su")
print(type(tag))  # <class 'selenium.webdriver.remote.webelement.WebElement'>
# 通过get_attribute获取
print(tag.get_attribute("type"))  # submit
print(tag.get_attribute("value"))  # 百度一下
print(tag.get_attribute("class"))  # bg s_btn
在进行爬虫的时候，使用 selenium 还是很方便的，但需要注意的是，selenium 虽然是打开一个浏览器操作，但它仍然是可以被识别出来的。比如使用 selenium 驱动浏览器之后，window.navigator.webdriver 的值为 true，而我们手动打开浏览器的时候该值是 undefined。
而我们可以通过设置一些选项来避免这一点。
# 使用开发者模式
options = webdriver.ChromeOptions()
options.add_experimental_option('excludeSwitches', ['enable-automation'])
# 禁用 Blink 运行时的某些功能
options.add_argument("--disable-blink-features=AutomationControlled")
# 创建 driver 之后将 window.navigator.webdriver 改成 undefined
driver = webdriver.Chrome(options=options)
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
    "source": "Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"
# 更改为无头模式（不打开浏览器）
chrome_options.add_argument('--disable-gpu')
chrome_options.add_argument('--no-sandbox')
chrome_options.add_argument('–-disable-dev-shm-usage')
chrome_options.add_argument('--headless')
# 以移动端模式打开
chrome_options.add_experimental_option("mobileEmulation", {"deviceName": "Nexus 7"})
# 开启日志性能监听
caps = {
    "browserName": "chrome",
    'goog:loggingPrefs': {'performance': 'ALL'}  # 开启日志性能监听
driver = webdriver.Chrome(desired_capabilities=caps)
performance_log = browser.get_log('performance')  # 获取性能日志
{'level': 'INFO',
  'message': '{"message":{"method":"Page.frameStoppedLoading","params":...',
  'timestamp': 1671434433102}
除了 selenium 之外，还可以使用 pyppeteer，这是一个需要和 asyncio 搭配使用的异步爬虫框架，有兴趣可以了解一下。