动态渲染页面爬取(Python 网络爬虫) ---Selenium的使用

时间:2021-12-10 08:29:47

Selenium 的使用

Selenium 是一个自动化测试工具,利用它可以驱动浏览器执行特定的动作,如点击、下拉等操作,同时还可以获取浏览器当前呈现的页面的源代码,做到可见即可爬。对于一些JavaScript 动态渲染的页面来说,此种抓取方式非常有效。

好处:不用再分析网站复杂的通信流程了

坏处:效率低

一般用在登录环节。

 

1、准备工作

安装Chrome浏览器

配置ChromeDriver 

另外安装Python的Selenium库

 

2、基本使用

Selenium一些功能,示例如下:

from selenium import webdriver        #用来驱动浏览器驱动
from selenium.webdriver import ActionChains    #滑动验证码的时候用。拖拽滑动验证码进行移动
from selenium.webdriver.common.by import By    #指定查找的方式  提交请求的过程当中,定位到页面中某一个标签。比如输入,就要找到输入的标签,往输入标签丢一些值给它,
from selenium.webdriver.common.keys import Keys   #键盘操作,比如回车操作
from selenium.webdriver.support import expected_conditions as EC  #跟WebDriverWait连在一起用
from selenium.webdriver.support.wait import WebDriverWait      #跟EC连在一起用  等页面加载

 

程序运行关掉了,浏览器也要关掉,不然后台会运行一堆浏览器。

也有可能用驱动发起请求的时候遇到错误了,出错可能在某一行抛异常了,就执行不到关掉浏览器的那行代码。所以try把爬取的逻辑放到里面去。示例如下:

from selenium import webdriver        #用来驱动浏览器驱动

import time

 brower = webdriver.Chrome()





 try:
     brower.get('https://baidu.com')

     time.sleep(6)

 finally:
     brower.close()

 

基本使用演示:

from selenium import webdriver        #用来驱动浏览器驱动
from selenium.webdriver import ActionChains    #滑动验证码的时候用。拖拽滑动验证码进行移动
from selenium.webdriver.common.by import By    #指定查找的方式  提交请求的过程当中,定位到页面中某一个标签。比如输入,就要找到输入的标签,往输入标签丢一些值给它,
from selenium.webdriver.common.keys import Keys   #键盘操作,比如回车操作
from selenium.webdriver.support import expected_conditions as EC  #跟WebDriverWait连在一起用
from selenium.webdriver.support.wait import WebDriverWait      #跟EC连在一起用  等页面加载


import time

browser = webdriver.Chrome()


try:
    wait = WebDriverWait(browser,4)   #
    #发请求
    browser.get('https://baidu.com')
    #获取输入框
    input_tag = wait.until(EC.presence_of_element_located((By.ID,'kw')))
    #输入内容
    input_tag.send_keys('种花')
    #键盘操作回车
    input_tag.send_keys(Keys.ENTER)
    time.sleep(6)

finally:
    browser.close()

运行代码后发现,会自动弹出一个Chrome浏览器。浏览器首先会跳到百度,然后在搜索框中输入种花,接着跳转到搜索结果页,如图

动态渲染页面爬取(Python 网络爬虫) ---Selenium的使用

 

在控制台分别会输出当前的URL、当前的Cookies和网页源代码,然后发现跟浏览器中的一模一样。

    print(browser.current_url)
    print(browser.get_cookies())
    print(browser.page_source)

所以说,如果用Selenium 来驱动浏览器加载网页的话,就可以直接拿到JavaScript渲染的效果了,不用担心使用的什么加密系统。

 

下面来详细介绍Selenium 的用法:

3、声明浏览器对象

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。另外还支持*面浏览器PhantomJS。

此外,我们可以用如下方式初始化:

from selenium import webdriver
browser=webdriver.Chrome() browser=webdriver.Firefox() browser=webdriver.PhantomJS() browser=webdriver.Safari() browser=webdriver.Edge() 

这样就完成了浏览器对象的初始化并将其赋值为browser对象。接下来,我们要做的就是调用browser对象,让其执行各个动作以模拟浏览器操作。

 

4、访问页面

我们可以用get()方法来请求网页,参数传入链接URL 即可。比如,在这里用get()方法访问京东,然后打印出源代码,代码如下:

from selenium import webdriver


browser = webdriver.Chrome()
browser.get('https://www.jd.com')
print(browser.page_source)
browser.close()

运行后发现,弹出了Chorme浏览器并且自动访问了京东,然后控制台输出了京东页面的源代码,随后浏览器关闭。

通过这几行简单的代码,我们可以实现浏览器的驱动并获取网页源码,非常便捷。

 

5、查找节点

Selenium 可以驱动浏览器完成各种操作,比如填充表单、模拟点击等。比如,我们想要完成向某个输入框输入文字的操作,总需要知道这个输入框在那里吧?而Selenium 提供了一系列查找节点的方法,我们可以用这些方法来获取想要的节点,以便下一步执行一些动作或者提取信息。

5.1、单个节点

比如,想要从淘宝页面中提取搜索框这个节点,首先要观察它的源代码,如下图所示:

动态渲染页面爬取(Python 网络爬虫) ---Selenium的使用

可以发现,它的id是q,name也是q。此外,还有许多其他属性,此时我们就可以用多种方式获取它了。比如,find_elemene_by_name()是根据 name 值获取,find_element_by_id()是根据id获取。另外,还有根据XPath、CSS选择器等获取的方式。

我们用代码实现一下:

from selenium import webdriver
import time

browser = webdriver.Chrome()
try:
    browser.get('https://www.taobao.com')
    input_tag_first = browser.find_element_by_id('q')
    input_tag_second = browser.find_element_by_css_selector('#q')
    input_tag_third = browser.find_element_by_xpath('//*[@id="q"]')
    time.sleep(6)
    print(input_tag_first,
          input_tag_second,
          input_tag_third)
finally:
    browser.close()

这里我们使用三种方式获取输入框,分别是根据ID、CSS选择器和XPath获取,它们返回结果完全一致。运行结构如下:

<selenium.webdriver.remote.webelement.WebElement (session="2972957e8503390420728c4a4168e46b", element="0.45122930131287853-1")> 
<selenium.webdriver.remote.webelement.WebElement (session="2972957e8503390420728c4a4168e46b", element="0.45122930131287853-1")> 
<selenium.webdriver.remote.webelement.WebElement (session="2972957e8503390420728c4a4168e46b", element="0.45122930131287853-1")>

可以看到,这三个节点都是WebElement类型,是完全一致的。

这里列出所有获取单个节点的方法:

 
 
find_element意思是寻找元素,
find_element_by_id   通过id找
find_element_by_name 按照name属性找
find_element_by_xpath  
find_element_by_link_text 通过链接的文本内容找(完全匹配)
find_element_by_pqrtial_link_text 通过链接的文本内容查找(部分匹配)
find_element_by_tag_name 通过标签名找
find_element_by_class_name 通过类名找
find_element_by_css_selector 通过css选择器.id#class

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。我们用代码实现以下:

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

browser = webdriver.Chrome()
try:
    browser.get('https://www.taobao.com')
    input_first = browser.find_element(By.ID,'q')
    input_second = browser.find_element_by_id('q')

    print(input_first)
    print(input_second)


finally:
    browser.close()

 

<selenium.webdriver.remote.webelement.WebElement (session="e7d7f0eb547ed6c0d5f38a8101ce1d50", element="0.3574977265796484-1")>
<selenium.webdriver.remote.webelement.WebElement (session="e7d7f0eb547ed6c0d5f38a8101ce1d50", element="0.3574977265796484-1")>

实际上,这两种查找方式的功能和上面列举的查找函数完全一致,不过参数更加灵活。

 

5.2、多个节点

如果查找的目标在网页中只有一个,那么完全可以用find_element()方法。但如果有多个节点,再用find_element()方法查找,就只能得到第一个节点了。如果要查找所有满足条件的节点,需要用find_elements()这样的方法。注意,在这个方法的名称中,element多了个s,注意区分。

比如,要查找淘宝左侧导航条的所有条目,如下图所示:

动态渲染页面爬取(Python 网络爬虫) ---Selenium的使用

 

就可以这样来实现:

from selenium import webdriver

browser = webdriver.Chrome()

# 多个节点
try:
    browser.get('https://www.taobao.com')
    list = browser.find_elements_by_css_selector('.service-bd li')
    print(list)



finally:
    browser.close()

运行结果如下:

 
 

[

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-1")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-2")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-3")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-4")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-5")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-6")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-7")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-8")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-9")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-10")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-11")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-12")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-13")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-14")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-15")>,

<selenium.webdriver.remote.webelement.WebElement (session="d4ab52370cc5c90b5da37185a382c3bb", element="0.2937235535196494-16")>

]

 

可以看到,得到的内容变成了列表类型,列表中的每个节点都是WebElement类型。

也就是说,如果我们用find_element()方法,只能获取匹配的第一个节点,结果是WebElement类型。如果用find_elements()方法,则结果是列表类型,列表中的每个节点是WebElement类型。

这里列出所有获取多个节点的方法:

find_elements_by_id
find_elements_by_name
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_pqrtial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector

 

当然,我们也可以直接用find_elements()方法来选择,这时可以这样写:

list = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')

 

6、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,点击按钮时使用click()方法。示例如下:

from selenium import webdriver
import time


browser = webdriver.Chrome()


# 节点交互

browser.get('https://www.taobao.com')
input_tag = browser.find_element_by_id('q')
input_tag.send_keys('手机壳')
time.sleep(1)
input_tag.clear()
input_tag.send_keys('多肉')
button = browser.find_element_by_class_name('btn-search')
button.click()

这里首先驱动浏览器打开淘宝,然后用find_element_by_id()方法获取输入框,然后用senf_keys()方法输入手机壳文字,等待一秒后用clear()方法清空输入框,再次调用senf_keys()方法输入多肉文字,之后再用find_element_by_class_name()方法获取搜索按钮,最后调用click()方法完成搜索动作。

通过上面的方法,我们就完成了一些常见节点的动作操作,更多的操作可以参见官方文档的交互动作介绍:http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement

 

 

 

7、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的方法;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,比如鼠标拖拽。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拽动作,将某个节点从一处拖拽到另外一处,可以这样实现:

from selenium import webdriver
from selenium.webdriver import ActionChains
import time
browser = webdriver.Chrome()

try:
    url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
    browser.get(url)

    browser._switch_to.frame('iframeResult')
    source = browser.find_element_by_css_selector('#draggable')
    target = browser.find_element_by_css_selector('#droppable')

    # 方式一
    # actions = ActionChains(browser)
    # actions.drag_and_drop(source,target)
    # actions.perform()

    # 方式二

    distance = target.location['x']-source.location['x']
    ActionChains(browser).click_and_hold(source).perform()

    s = 0
    while s < distance:
        ActionChains(browser).move_by_offset(xoffset=2,yoffset=0).perform()
        # time.sleep(0.2)
        s+=2


    ActionChains(browser).release().perform()


    time.sleep(4)


finally:
    browser.close()

 

首先,打开网页中的一个拖拽实例,然后依次选中要拖拽的节点和拖拽的目标节点,接着声明ActionChains 对象并将其赋值为actions 变量,然后通过调用actions变量的drag_and_drop()方法,再调用perform()方法来执行操作,此时就完成了拖拽操作。

更多的动作连操作可以参考官方文档:http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

 

 

8、执行JavaScript

 执行某些操作,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()

try:
    browser.get('https://www.zhihu.com/explore')
    browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    browser.execute_script('alert("To Bittom")')



finally:
    browser.close()

这里利用了excute_script()方法将进度条下拉到最底部,然后弹出alert提示框。

所以说有了这个方法,基本上API没有提供的所用功能都可以用JavaScript的方式来实现了。

 

9、获取节点信息

 前面说过,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)来提取消息了。

 不过,既然Selenium 已经提供了了选择节点的方法,返回的是WebElement类型,那么它也有相关的方法和属性来直接提取节点信息,比如属性、文本等。这样的话,我们就可以不用通过解析源代码来提取消息了,非常方便。

接下来,就看看通过怎样的方式获取节点信息吧。

 

9.1 获取属性

我们可以使用get_attribute()方法来获取节点的属性,但是其前提是先选中这个节点,示例如下:

 

from selenium import webdriver
import time

browser = webdriver.Chrome()

try:
    url = 'https://www.zhihu.com/explore'
    browser.get(url)
    zh_logo = browser.find_element_by_id('zh-top-link-logo')
    print(zh_logo)
    print(zh_logo.get_attribute('class'))
    time.sleep(4)


finally:
    browser.close()

运行之后,程序便会驱动浏览器打开知乎页面,然后获取知乎的logo节点,最后打印出它的class。

控制台的输出结果为:

<selenium.webdriver.remote.webelement.WebElement (session="a014d9de06bbb4bebeb1d6bf50cdfab9", element="0.6635784736572936-1")>
zu-top-link-logo

通过get_attribute()方法,然后传入想要获取的属性名,就可以得到它的值了。 

 

9.2 获取文本值

每个WebElement 节点都有 text 属性,直接调用这个属性就可以得到节点内部的文本信息,这相当于Beautiful Soup的get_text()方法、pyquery的text()方法,示例如下: 

 

from selenium import webdriver
import time

browser = webdriver.Chrome()


# 获取文本值
try:
    url = 'https://www.zhihu.com/explore'
    browser.get(url)
    input_tag = browser.find_element_by_class_name('zu-top-add-question')

    print(input_tag.text)
    time.sleep(4)


finally:
    browser.close()

这里依然是先打开知乎页面,然后获取‘提问’按钮这个节点,再将其文本内容值打印出来。

控制台显示结果如下:

动态渲染页面爬取(Python 网络爬虫) ---Selenium的使用

 

9.3 获取id、位置、标签名和大小

 另外,WebElement 节点还有一些其他属性,比如id属性可以获取节点id,location 属性可以获取该节点在页面的相对位置,tag_name 属性可以获取标签名称,size属性可以获取节点的大小,也就是宽高,这些属性有时候还是很有用的。示例如下:

from selenium import webdriver
import time

browser = webdriver.Chrome()


try:
    url = 'https://www.zhihu.com/explore'
    browser.get(url)
    input_tag = browser.find_element_by_class_name('zu-top-add-question')

    print(input_tag.id)
    print(input_tag.location)
    print(input_tag.tag_name)
    print(input_tag.size)


finally:
    browser.close()

这里依然先打开知乎页面,然后获取 ‘提问’按钮这个节点,然后调用其id、liocation、tag_name、size属性来获取对赢得属性值。 

 

 

10、切换Frame

 

我们知道网页中有一种节点叫做iframe,也就是子Frame,相当于页面的子页面,它的结构和外部网页的结构完全一致。Selenium打开页面后,它默认是在父集Frame里面操作,而此时如果页面中还有子Frame,它是不能获取到 子Frame里面节点的。这时就需要使用switch_to.frame()方法来切换Frame。示例如下:

 

import time 
from selenium import  webdriver
from selenium.common.exceptions import NoSuchElementException


browser = webdriver.Chrome()

try:
    url = 'http://www.runoob.com/try/try/.php?filename=jqueryui-api-droppable'
    browser.get(url)
    browser.switch_to.frame('iframeResult')
    try:
        logo = browser.find_element_by_class_name('logo')
    except NoSuchElementException:
        print('NO LOGO')
    browser.switch_to.parent_frame()
    logo = browser.find_element_by_class_name('logo')
    print(logo)
    print(logo.text)
    
    
    
finally:
    browser.close()

 

这里还是以前面演示动作链操作的网页为实例,首先通过switch_to.frame()方法切换到子Frame里面,然后尝试获取子Frame里的logo节点(这是不能找到的),如果找不到的话,就会抛出NoSuchElementException异常,异常被捕捉之后,就会输出NO LOGO,接下来,重新切换到父级Frame,然后再次重新获取节点,发现此时可以成功获取了。

所以,当页面包含子Frame时,想要获取子Frame中的节点,需要调用switch_to.frame()方法切换到对应的,然后在进行操作。

 

 

11、延时等待

在Selenium中,get()方法会在网页框架加载结束后结束执行,此时如果获取page_source,可能并不是;浏览器完全加载完成的页面,如果某些页面有额外的Ajax 请求,我们在网页代码中也不一定能获取成功。所以,这里需要延时等待一定时间,确保节点已经加载出来。

这里等待的方式有两种:一种是隐式等待,一种是显式等待。

 

11.1、隐式等待

当使用隐式等待执行测试的时候,如果Selenium没有在DOM中找到节点,将继续等待,超出设定时间后,则抛出找不到节点的异常。换句话说,当查找节点而节点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,默认时间是0。示例如下:

from selenium import webdriver



browser = webdriver.Chrome()
browser.implicitly_wait(10)
browser.get('https://www.zhihu.com/explore')
button_tag = browser.find_element_by_class_name('zu-top-add-question')
print(button_tag)

这里我们用implicitly_wait(10)方法实现了隐式等待。

 

11.2、显式等待

隐式等待的效果并没有那么好,因为我们只规定了一个固定时间,而页面的加载时间会受到网络条件的影响。

这里还有一个更合适的显式等待方法,它指定要查找的节点,然后制定一个最长等待时间。如果在规定时间内加载出来这个节点,就返回查找的节点;如果到了规定时间依然没有加载出该节点,则抛出超时异常。示例如下:

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.Chrome()
try:

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



finally:
    browser.close()

 

这里首先引入WebDriverWait这个对象,指定最长等待时间,然后调用它的until()方法,传入要等待条件expected_conditions。比如,这里传入了presence_of_element_located这个条件,代表节点出现的意思,其参数是节点的定位元组,也就是ID为q的节点搜索框。

这样可以做到的效果就是,在10秒内如果ID为q的节点(即搜索框)成功加载出来。就返回该节点;如果超过10秒还没有加载出来,就抛出异常。

对于按钮,可以更改一下等待条件,比如改为element_to_be_clickable,也就是可点击,所以查找按钮时查找CSS选择器为的按钮,如果10秒内它是可点击的,也就是成功加载出来了,就返回这个按钮节点;如果超过10秒还没有加载出来,就抛出异常。

运行代码,在网速较佳的情况下是可以成功加载出来的。

控制台的输出如下:

<selenium.webdriver.remote.webelement.WebElement (session="7d8b894316bbc39ff3a124a2976202eb", element="0.004489568003788413-1")> 
<selenium.webdriver.remote.webelement.WebElement (session="7d8b894316bbc39ff3a124a2976202eb", element="0.004489568003788413-2")>

可以看到,控制台成功输出了两个节点,它们都是WebElement类型。

 

如果失败的话会抛出异常。

 

12、前进和后退

平常使用浏览器时都有前进和后退功能,Selenium也可以完成这个操作,它使用back()方法后退,使用forward()方法前进。示例如下:

 

import time
from selenium import webdriver




browser = webdriver.Chrome()

try:
    browser.get('https://www.baidu.com/')
    browser.get('https://www.taobao.com/')
    browser.get('https://www.jd.com/')
    browser.back()
    time.sleep(2)
    browser.forward()

finally:
    browser.close()

 

这里我们连续访问三个页面,然后调用back()方法回到第二个页面,接下来再调用forward()方法又可以前进到第三个页面内。

 

13、Cookies

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


finally:
    browser.close()

首先,我们访问了知乎。加载完成后,浏览器实际上已经生成了Cookies了。接着我们调用get_cookies()方法获取所有的Cookies。然后我们添加一个Cookies,这里传入一个字典,有name、domain和value等内容。接下来,再次获取所有的Cookies。可以发现,结果就多了这一项新加的Cookie。最后调用delete_all_cookies()方法删除所有的Cookies。重新获取,发现结果就为空了。

控制台输出结果如下:

[{'domain': '.zhihu.com', 'expiry': 1567877193, 'httpOnly': False, 'name': '__utmz', 'path': '/', 'secure': False, 'value': '51854390.1552109194.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none)'}, {'domain': '.zhihu.com', 'expiry': 1552110993, 'httpOnly': False, 'name': '__utmb', 'path': '/', 'secure': False, 'value': '51854390.0.10.1552109194'}, {'domain': '.zhihu.com', 'expiry': 1646717185.745797, 'httpOnly': False, 'name': 'q_c1', 'path': '/', 'secure': False, 'value': 'c1be5730838e4961a9c0ea0af241acf3|1552109185000|1552109185000'}, {'domain': '.zhihu.com', 'expiry': 1615181193, 'httpOnly': False, 'name': '_zap', 'path': '/', 'secure': False, 'value': '329f49a1-d78e-4e05-9bd6-54e78fcc8b1a'}, {'domain': '.zhihu.com', 'expiry': 1554701185.745947, 'httpOnly': False, 'name': 'l_cap_id', 'path': '/', 'secure': False, 'value': '"NzhlMjcyNjg0OTUyNDk2NmEwZjAzNzNmNDZjNGUwZjQ=|1552109185|4cd1bcfd1b23d2e8478b9a6ee1cc61386e586841"'}, {'domain': 'www.zhihu.com', 'expiry': 1552110085.745695, 'httpOnly': False, 'name': 'tgw_l7_route', 'path': '/', 'secure': False, 'value': '060f637cd101836814f6c53316f73463'}, {'domain': '.zhihu.com', 'expiry': 1554701185.745898, 'httpOnly': False, 'name': 'cap_id', 'path': '/', 'secure': False, 'value': '"NWUxZGQzZTEwMjU4NGIwMmJmMDliMzVlMTc2Zjg5Yjg=|1552109185|ba3e32ca8fcf86e0cc39c4822b3998afdd05c7e8"'}, {'domain': '.zhihu.com', 'expiry': 1615181193, 'httpOnly': False, 'name': '__utmv', 'path': '/', 'secure': False, 'value': '51854390.000--|3=entry_date=20190309=1'}, {'domain': '.zhihu.com', 'httpOnly': False, 'name': 'n_c', 'path': '/', 'secure': False, 'value': '1'}, {'domain': '.zhihu.com', 'expiry': 1615181193, 'httpOnly': False, 'name': '__utma', 'path': '/', 'secure': False, 'value': '51854390.1872266721.1552109194.1552109194.1552109194.1'}, {'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmc', 'path': '/', 'secure': False, 'value': '51854390'}, {'domain': '.zhihu.com', 'expiry': 1646717192.357061, 'httpOnly': False, 'name': 'd_c0', 'path': '/', 'secure': False, 'value': '"ADAiXVxOGA-PTnrcZaT_2bgcCujQ0Jzk-bY=|1552109192"'}, {'domain': '.zhihu.com', 'expiry': 1554701185.745854, 'httpOnly': False, 'name': 'r_cap_id', 'path': '/', 'secure': False, 'value': '"Y2E5NmY2MzdmOWU4NDI2ZGFhZTBhMTgxNDBkYWIxOGM=|1552109185|4f456af38fccd5e4920de3751616d1fcfb604ad8"'}, {'domain': 'www.zhihu.com', 'httpOnly': False, 'name': '_xsrf', 'path': '/', 'secure': False, 'value': 'ffa701e12b2e436beef359522f1283dc'}, {'domain': '.zhihu.com', 'httpOnly': False, 'name': 'l_n_c', 'path': '/', 'secure': False, 'value': '1'}]
[{'domain': 'www.zhihu.com', 'expiry': 2182829193, 'httpOnly': False, 'name': 'name', 'path': '/', 'secure': True, 'value': 'germey'}, {'domain': '.zhihu.com', 'expiry': 1567877193, 'httpOnly': False, 'name': '__utmz', 'path': '/', 'secure': False, 'value': '51854390.1552109194.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none)'}, {'domain': '.zhihu.com', 'expiry': 1552110993, 'httpOnly': False, 'name': '__utmb', 'path': '/', 'secure': False, 'value': '51854390.0.10.1552109194'}, {'domain': '.zhihu.com', 'expiry': 1646717185.745797, 'httpOnly': False, 'name': 'q_c1', 'path': '/', 'secure': False, 'value': 'c1be5730838e4961a9c0ea0af241acf3|1552109185000|1552109185000'}, {'domain': '.zhihu.com', 'expiry': 1615181193, 'httpOnly': False, 'name': '_zap', 'path': '/', 'secure': False, 'value': '329f49a1-d78e-4e05-9bd6-54e78fcc8b1a'}, {'domain': '.zhihu.com', 'expiry': 1554701185.745947, 'httpOnly': False, 'name': 'l_cap_id', 'path': '/', 'secure': False, 'value': '"NzhlMjcyNjg0OTUyNDk2NmEwZjAzNzNmNDZjNGUwZjQ=|1552109185|4cd1bcfd1b23d2e8478b9a6ee1cc61386e586841"'}, {'domain': 'www.zhihu.com', 'expiry': 1552110085.745695, 'httpOnly': False, 'name': 'tgw_l7_route', 'path': '/', 'secure': False, 'value': '060f637cd101836814f6c53316f73463'}, {'domain': '.zhihu.com', 'expiry': 1554701185.745898, 'httpOnly': False, 'name': 'cap_id', 'path': '/', 'secure': False, 'value': '"NWUxZGQzZTEwMjU4NGIwMmJmMDliMzVlMTc2Zjg5Yjg=|1552109185|ba3e32ca8fcf86e0cc39c4822b3998afdd05c7e8"'}, {'domain': '.zhihu.com', 'expiry': 1615181193, 'httpOnly': False, 'name': '__utmv', 'path': '/', 'secure': False, 'value': '51854390.000--|3=entry_date=20190309=1'}, {'domain': '.zhihu.com', 'httpOnly': False, 'name': 'n_c', 'path': '/', 'secure': False, 'value': '1'}, {'domain': '.zhihu.com', 'expiry': 1615181193, 'httpOnly': False, 'name': '__utma', 'path': '/', 'secure': False, 'value': '51854390.1872266721.1552109194.1552109194.1552109194.1'}, {'domain': '.zhihu.com', 'httpOnly': False, 'name': '__utmc', 'path': '/', 'secure': False, 'value': '51854390'}, {'domain': '.zhihu.com', 'expiry': 1646717192.357061, 'httpOnly': False, 'name': 'd_c0', 'path': '/', 'secure': False, 'value': '"ADAiXVxOGA-PTnrcZaT_2bgcCujQ0Jzk-bY=|1552109192"'}, {'domain': '.zhihu.com', 'expiry': 1554701185.745854, 'httpOnly': False, 'name': 'r_cap_id', 'path': '/', 'secure': False, 'value': '"Y2E5NmY2MzdmOWU4NDI2ZGFhZTBhMTgxNDBkYWIxOGM=|1552109185|4f456af38fccd5e4920de3751616d1fcfb604ad8"'}, {'domain': 'www.zhihu.com', 'httpOnly': False, 'name': '_xsrf', 'path': '/', 'secure': False, 'value': 'ffa701e12b2e436beef359522f1283dc'}, {'domain': '.zhihu.com', 'httpOnly': False, 'name': 'l_n_c', 'path': '/', 'secure': False, 'value': '1'}]
None
[]

 

 

14、选项卡管理

 

在访问网页的时候,会开启一个个选项卡。在Selenium中,我们也可以对选项卡进行操作。示例如下:

 

 

15、异常处理

 

 

 

爬京东信息

动态渲染页面爬取(Python 网络爬虫) ---Selenium的使用动态渲染页面爬取(Python 网络爬虫) ---Selenium的使用
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By #按照什么方式查找,By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys #键盘按键操作
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait #等待页面加载某些元素
import time


def get_goods(driver):
    try:
        goods=driver.find_elements_by_class_name('gl-item')

        for good in goods:
            detail_url=good.find_element_by_tag_name('a').get_attribute('href')

            p_name=good.find_element_by_css_selector('.p-name em').text.replace('\n','')
            price=good.find_element_by_css_selector('.p-price i').text
            p_commit=good.find_element_by_css_selector('.p-commit a').text

            msg = '''
            商品 : %s
            链接 : %s
            价钱 :%s
            评论 :%s
            ''' % (p_name,detail_url,price,p_commit)

            print(msg,end='\n\n')


        button=driver.find_element_by_partial_link_text('下一页')
        button.click()
        time.sleep(1)
        get_goods(driver)
    except Exception:
        pass

def spider(url,keyword):
    driver = webdriver.Chrome()
    driver.get(url)
    driver.implicitly_wait(3)  # 使用隐式等待
    try:
        input_tag=driver.find_element_by_id('key')
        input_tag.send_keys(keyword)
        input_tag.send_keys(Keys.ENTER)
        get_goods(driver)
    finally:
        driver.close()


if __name__ == '__main__':
    spider('https://www.jd.com/',keyword='iPhone8手机')
爬取京东商品信息

 

 

 

破解极验滑动验证(博客园)

流程:

1、拿到浏览器驱动,然后请求地址,然后隐式等待,找到输入框输入账号密码然后点击登录。

2、点击按钮弹出图(没有缺口的图片)---截图

3、点击滑动按钮,弹出有缺口的图     -----截图

4、对比两张图片,找到缺口,就是要移动的位移

5、按照人的行为习惯,把总的位移切成一段段小的位移 ********()

6、按照位移移动