从零开始学爬虫5——selenium

1 基础

1. 什么是selenium？

   • Selenium是一个用于Web应用程序测试的工具。
   • Selenium 测试直接运行在浏览器中，就像真正的用户在操作一样。
   • 支持通过各种driver（FirfoxDriver，IternetExplorerDriver，OperaDriver，ChromeDriver）驱动真实浏览器完成测试。
   • selenium也是支持无界面浏览器操作的。

2. 为什么使用selenium？

   • 模拟浏览器功能，自动执行网页中的js代码，实现动态加载
   • 服务器会对浏览器进行校验，如果检查发现操作者不是真实浏览器，那么会对一些数据进行隐藏，而Selenium会就像真正的用户在操作一样

2 基本用法

# (1) 导入selenium
from selenium import webdriver

# (2) 创建浏览器操作对象
path = 'chromedriver.exe'
browser = webdriver.Chrome(path)

# （3）访问网站
url = 'https://www.jd.com/'
browser.get(url)

# page_source获取网页源码
content = browser.page_source
print(content)
# 发现获取到的数据中有秒杀价

3 元素定位

from selenium import webdriver

path = 'chromedriver.exe'
browser = webdriver.Chrome(path)

url = 'https://www.baidu.com'
browser.get(url)

# 元素定位
# (1) 根据id来找到对象
button = browser.find_element_by_id('su')
print(button)

# (2) 根据标签属性的属性值来获取对象的
button = browser.find_element_by_name('wd')
print(button)

# (3) 根据xpath语句来获取对象
button = browser.find_elements_by_xpath('//input[@id="su"]')
print(button)

# (4) 根据标签的名字来获取对象
button = browser.find_elements_by_tag_name('input')
print(button)

# (5) 使用的bs4的语法来获取对象
button = browser.find_elements_by_css_selector('#su')
print(button)

# (6) 获取超链接文本
button = browser.find_element_by_link_text('直播')
print(button)

4 获取元素信息

from selenium import webdriver

path = 'chromedriver.exe'
browser = webdriver.Chrome(path)

url = 'http://www.baidu.com'
browser.get(url)

input = browser.find_element_by_id('su')

# 获取标签的属性
print(input.get_attribute('class'))
# 获取标签的名字
print(input.tag_name)
# 获取元素文本 (两个标签之间的内容)
a = browser.find_element_by_link_text('新闻')
print(a.text)

5 交互

selenium和handless的区别：一个有浏览器界面，一个没有，没有界面的会更快

from selenium import webdriver

# 创建浏览器对象
path = 'chromedriver.exe'
browser = webdriver.Chrome(path)

# url
url = 'https://www.baidu.com'
browser.get(url)

import time
time.sleep(2)

# 获取文本框的对象
input = browser.find_element_by_id('kw')

# 在文本框中输入周杰伦
input.send_keys('周杰伦')

time.sleep(2)

# 获取百度一下的按钮
button = browser.find_element_by_id('su')

# 点击按钮
button.click()

time.sleep(2)

# 滑到底部
js_bottom = 'document.documentElement.scrollTop=100000'
browser.execute_script(js_bottom)

time.sleep(2)

# 获取下一页的按钮
next = browser.find_element_by_xpath('//a[@class="n"]')

# 点击下一页
next.click()

time.sleep(2)

# 回到上一页
browser.back()

time.sleep(2)

# 回去
browser.forward()

time.sleep(3)

# 退出
browser.quit()

6 PhantomJs的基本使用

什么是Phantomjs？

1. 是一个无界面的浏览器
2. 支持页面元素查找，js的执行等
3. 由于不进行css和gui渲染，运行效率要比真实的浏览器要快很多

但是Phantomjs目前已经停止开发，推荐使用Chrome Handless

7 headless

from selenium import webdriver
from selenium.webdriver.chrome.options import Options

def share_browser():
    chrome_options = Options()
    chrome_options.add_argument('--headless')
    chrome_options.add_argument('--disable-gpu')

    # path是你自己的chrome浏览器的文件路径
    path = r'C:\Program Files (x86)\Google\Chrome\Application\chrome.exe'
    chrome_options.binary_location = path

    browser = webdriver.Chrome(chrome_options=chrome_options)
    return browser

browser = share_browser()

url = 'https://www.baidu.com'

browser.get(url)

# 交互语法与selenium相同