python--Selenium(动态渲染页面爬取），,上一节，学习了Aja

python--Selenium(动态渲染页面爬取），,上一节，学习了Aja

上一节，学习了Ajax，Ajax 其实也是JS 动态渲染的页面的一种形式，通过直接分析Ajax，仍然可以借助requests 或者 urllib 来实现数据爬取。

但是JS动态渲染的页面不止Ajax 一种；还有就是像淘宝这种页面，即使是Ajax 获取的数据，但是其Ajax 接口含有很多加密参数，我们直接很难找出其规律，，也就很难直接分析Ajax 来抓取。

为了解决这些问题，可以直接使用模拟浏览器运行的方式来实现，这样就可以做到在浏览器中看到是什么样，抓取的源码就是什么样，也就是可见及可爬。这样我们就不用管网页内部的JS 用了什么算法渲染页面，不用管网页后台的Ajax 接口到底有什么参数。

Python提供了很多模拟浏览器运行的库，如Selenium、Splash、PyV8、Ghost等。

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。

1.准备工作：

Chrome浏览器安装；

ChromeDriver安装；

Selenium安装。

2.基本使用

from selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.common.keys import Keysfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver.support.wait import WebDriverWait  browser = webdriver.Chrome()try :    browser.get (‘https://www.baidu.com ‘)    input = browser.find_element_by_id(‘kw‘)    input.send_keys(‘Python‘)    input.send_keys(Keys.ENTER)    wait = WebDriverWait(browser, 10)    wait.until(EC.presence_of_element_located((By.ID, ‘content_left‘)))    print(browser.current_url)    print(browser.get_cookies())    print(browser.page_source)   //网页源代码finally:    browser.close()    

下面了解一下sewlenium 的具体用法

3. 声明浏览器对象

selenium支持很多浏览器: Chrome、Firefox、Edge等，还支持Android、BlackBerry等手机端的浏览器，也支持无界面浏览器 PhantomJS。

初始化：

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

4. 访问页面

from selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.taobao.com ‘)print(browser.page_source)  //打印源码browser.close() 

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。再比如我们想向某个输入框输入文字，总得知道输入框的位置吧？别急，，selenium提供了一系列查找节点的方法。

单个节点

首先查看网页源代码

获取单节点的方法：

find_element_by_idfind_element_by_namefind_element_by_xpathfind_element_by_link_textfind_element_by_partial_link_textfind_element_by_tag_namefind_element_by_class_namefind_element_by_css_selector

另外，Selenium还提供了通用方法：

find_element() :需要传入两个参数：查找方式和值，例如：

find_element(By.ID， id) 等价于find_element_by_id（id）

获取多节点的方法：

find_elements_by_idfind_elements_by_namefind_elements_by_xpathfind_elements_by_link_textfind_elements_by_partial_link_textfind_elements_by_tag_namefind_elements_by_class_namefind_elements_by_css_selector

另外，Selenium还提供了通用方法：

find_elements() :需要传入两个参数：查找方式和值，例如：

find_elements(By.ID， id)等价于find_elements_by_id（id）

注：单节点和多节点就是单复数形式的区别。

6. 节点交互

selenium 驱动浏览器来执行一些操作，其实就是让浏览器模拟执行一些动作，常见的用法有：

send_keys() :输入文字；clear() :清空文字；click() : 点击按钮。

from selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.taobao.com ‘)input = browser.find_element_by_id(‘q‘) //通过输入框的id，找到输入框(不一定能找到，淘宝的源代码可能更新了）input.send_keys(‘iPhone‘)     //在输入框内输入iPhone time.sleep(1)  input.clear()  //清空输入框内容input.send_keys(‘Ipad‘)button = browser.find_element_by_class_name(‘btn-search‘)  //查找“搜索”按钮(不一定能找到，淘宝的源代码可能更新了）button.click()

可参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement

7.动作链

上面的例子，是针对于某个节点执行的，另外一些操作，没有特定的执行对象，比如鼠标拖动，键盘按键等，这些动作用另一种方式来执行，那就是动作链。

from selenium import webdriverfrom selenium.webdriver import ActionChainsbrowser = webdriver.Chrome()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‘)actions = ActionChains(browser)actions.drag_and_drop(source,target)actions.perform()

运行结果：

可参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

8. 执行 JavaScript

对于某些操作，selenium API 并没有提供。比如，下拉进度条，它可以直接模拟运行JS ，此时使用execute_script() 方法即可实现。

from selenium import webdriverbrowser = webdriver.Chrome()url = ‘https://www.zhihu.com/explore‘browser.get(url)browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘)browser.execute_script(‘alert("To Bottom")‘)

通过这个方法，基本上API没有提供的所有功能都可以用执行JS 的方式来实现。

9. 获取节点信息

前面代码中，通过page_source 属性可以获取网页的源代码，然后可以利用解析库来提取信息。

而用selenium 可以获取节点，返回的是webElement 类型，可以直接获取节点信息（文本，属性等）

获取属性

get_attribute()

获取文本值

input.text

每个WebElement 节点都有 text 属性

获取 id 、位置、标签名和大小input.idinput.locationinput.tag_nameinput.size

10. 切换Frame

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 打开页面之后，他默认是在父级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里面的节点的。这时就需要使用 switch_to.frame() 方法来切换Frame。

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。我们在网页源代码中也不一定能获取到。所以，这里需要等待一段时间，确保节点已经加载出来。

等待的方式有两种：隐式等待 和 显式等待。

隐式等待

from selenium import webdriverbrowser = webdriver.Chrome()browser.implicitly_wait(10)   //隐式等待10秒url = ‘https://www.zhihu.com/explore‘browser.get(url)input = browser.find_element_by_class_name(‘zu-top-add-question‘)print(input)

显式等待

from selenium import webdriverfrom selenium.webdriver.commom.by import Byfrom selenium.webdriver.support import excepted_conditions as ECfrom selenium.webdriver.support.ui import WebDriverWaitbrowser = webdriver.Chrome()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_clickable((By.CSS_SELECTOR, ‘.btn-search‘)))print(input, button)

可参考官方文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.supported.expected_conditions

12. 前进和后退

平时我们在使用浏览器的时候都有前进和后退功能，Selenium 也可以实现这个功能。

back（） : 后退forward（）： 前进

from selenium import webdriverimport time browser = webdriver.Chrome()browser.get (‘https://www.taobao.com ‘)browser.get (‘https://www.python.org ‘)browser.get (‘https://www.baidu.com ‘)browser.back()   time.sleep(1)browser.forward()browser.close()

13. Cookies

使用Selenium 可以方便的对Cookies进行操作，如获取、添加、删除cookies。

from selenium import webdriverbrowser = webdriver.Chrome()url = ‘https://www.zhihu.com/explore‘  browser.get(url)   //加载完成后，实际上已经生成cookies了print(browser.get_cookies())    //获取所有的cookiesbrowser.add_cookie({‘name‘: ‘name‘, ‘domin‘:‘www.zhihu.com‘, ‘value‘:‘germey‘})   //添加cookie,注意cookie的单复数print(browser.get_cookies())  //再次获取cookiesbrowser.delete_all_cookies()   //删除所有的cookiesprint(browser.get_cookies())   //再次获取为空了

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，我们可以对选项卡进行操作。

15. 异常处理

try except

python--Selenium(动态渲染页面爬取）