python爬虫（四）Selenium

一、动态网页处理

1、很多网站都采用AJAX技术，SPA技术，部分内容都是异步动态加载的。可以提高用户体验，减少不必要的流量，方便CDN加速等；

2、但是，对于爬虫程序爬取到的HTML页面相当于页面模板了，动态内容不在其中；

3、解决办法：

      1）如果能构造一个包含JS引擎的浏览器，让它加载网页并和网站交互，我们编程从这个浏览器获取内容包括动态内容。

 

二、PhantomJS

PhantomJS它是一个无头浏览器headless，支持javascript。可以运行在Windows、Linux、Mac OS等。

所谓的无头浏览器，就是包含Js引擎、浏览器排版引擎等核心组件，但是没有和用户交互的界面的浏览器；

使用方法：只需要在官网下载对应操作系统的PhantomJS，解压缩就可以使用了；

 

三、Selenium

它是一个WEB自动化测试工具，它可以直接运行在浏览器中，支持主流的浏览器，包括PhantomJS；

Selenium注意是用来做自动化测试，支持多种浏览器，爬虫中注意用来解决JavaScript渲染问题；

1、安装

$pip install selenium

2、导入

from selenium import webdriver #核心对象

 

四、Selenium简单介绍

1、下拉框处理：Select类

#1、导入
from selenium import webdriver
from selenium.webdriver.support.ui import Select

 

2、模拟登录（模拟键盘操作）

      1）webdriver提供了一系列的 find方法，用户获取一个网页中的元素。元素对象可以使用send_keys模拟键盘输入；

 

3、Selenium等待

Selenium的等待分为：显示等待和隐式等待；

       1）显示等待：指定一个条件，一直等到这个条件成立后执行，也可以设置超时时间，超时会抛异常；

        2）隐式等待：等待特定的时间；

 

五、Selenium的使用

1、声明浏览器对象

from selenium import webdriver

#webdriver可以认为是浏览器的驱动器，要驱动浏览器必须用到webdriver，支持多种浏览器
browser = webdriver.PhantomJS(path路径)

2、访问页面并获取html

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

print(browser.page_source)#browser.page_source是获取网页的全部html
browser.close()

3、查找元素

     1）查找单个元素

input_one = browser.find_element_by_id('q')

    常用的查找方法

find_element_by_name
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector

   通用方法

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

browser = webdriver.PhantomJS(path路径)
browser.get('https://www.taobao.com')
input_one = browser.find_element(BY.ID,'q')

   2）查找多个元素，element加s

input_first = browser.find_elements_by_id('q')

4、交互

input = browser.find_element_by_id('q')   #找到搜索框
input.send_keys('iPhone')   #传送入关键词

button = browser.find_element_by_class_name('btn-search')   #找到搜索按钮
button.click()   #模拟点击

   1）获取属性

url = 'https://www.zhihu.com/explore'
browser.get(url)
logo = browser.find_element_by_id('zh-top-link-logo')

print(logo.get_attribute('class'))   #获取属性
browser.close()

    2）获取文本

url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.text)   #input.text文本值
browser.close()

5、等待

  1）隐式等待：implicitly_wait
当使用了隐式等待的时候，如果 WebDriver没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常,
换句话说，当查找元素或元素并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0

from selenium import webdriver

browser = webdriver.Chrome()
browser.implicitly_wait(10)   #等待十秒加载不出来就会抛出异常，10秒内加载出来正常返回
browser.get('https://www.zhihu.com/explore')
input = browser.find_element_by_class_name('zu-top-add-question')
print(input)

  2）显示等待：WebDriverWait
指定一个等待条件，和一个最长等待时间，程序会判断在等待时间内条件是否满足，如果满足则返回，如果不满足会继续等待，超过时间就会抛出异常

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

browser = webdriver.PhantomJS(path路径)
browser.get('https://www.taobao.com/')
wait = WebDriverWait(browser, 10)
input = wait.until(EC.presence_of_element_located((By.ID, 'q')))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))

显示等待条件

title_is 标题是某内容
title_contains 标题包含某内容
presence_of_element_located 元素加载出，传入定位元组，如(By.ID, 'p')
visibility_of_element_located 元素可见，传入定位元组
visibility_of 可见，传入元素对象
presence_of_all_elements_located 所有元素加载出
text_to_be_present_in_element 某个元素文本包含某文字
text_to_be_present_in_element_value 某个元素值包含某文字
frame_to_be_available_and_switch_to_it frame加载并切换
invisibility_of_element_located 元素不可见
element_to_be_clickable 元素可点击
staleness_of 判断一个元素是否仍在DOM，可判断页面是否已经刷新
element_to_be_selected 元素可选择，传元素对象
element_located_to_be_selected 元素可选择，传入定位元组
element_selection_state_to_be 传入元素对象以及状态，相等返回True，否则返回False
element_located_selection_state_to_be 传入定位元组以及状态，相等返回True，否则返回False
alert_is_present 是否出现Alert

六、cookie

browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())  #获得cookies
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})  #添加cookies
print(browser.get_cookies())
browser.delete_all_cookies()   #删除cookies
print(browser.get_cookies())