Selenium抓取动态网页数据

发表于:2019-7-08 11:03  作者:enjoyzier   来源:博客园

字体: | 上一篇 | 下一篇 |我要投稿 | 推荐标签: Selenium

  1.selenium抓取动态网页数据基础介绍
  1.1 什么是AJAX
  AJAX(Asynchronouse JavaScript And XML:异步JavaScript和XML)通过在后台与服务器进行少量数据交换,Ajax 可以使网页实现异步更新,这意味着可以在不重新加载整个网页的情况下,对网页的某部分进行局部更新。传统的网页(不使用Ajax)如果需要更新内容,必须重载整个网页页面。
  因为传统的网页在传输数据格式方面,使用的是XML语法,因此叫做AJAX,其实现在数据交互基本上都是使用JSON。使用AJAX加载的数据,即使使用了JS将数据渲染到了浏览器中,在右键->查看网页源代码还是不能看到通过ajax加载的数据,只能看到使用这个url加载的html代码。
  1.2 获取ajax数据的方式
  法1:直接分析ajax调用的接口。然后通过代码请求这个接口。
  法2:使用Selenium+chromedriver模拟浏览器行为获取数据。
  1.3 Selenium+chromedriver获取动态数据
  Selenium相当于是一个机器人。可以模拟人类在浏览器上的一些行为,自动处理浏览器上的一些行为,比如点击,填充数据,删除cookie等。chromedriver是一个驱动Chrome浏览器的驱动程序,使用他才可以驱动浏览器。当然针对不同的浏览器有不同的driver。以下列出了不同浏览器及其对应的driver:
  Chrome:https://sites.google.com/a/chromium.org/chromedriver/downloads
  Firefox:https://github.com/mozilla/geckodriver/releases
  Edge:https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
  Safari:https://webkit.org/blog/6900/webdriver-support-in-safari-10/
  1.4 安装Selenium和chromedriver
  安装Selenium:Selenium有很多语言的版本,有java、ruby、python等。我们下载python版本的就可以了。
   pip install selenium
  安装chromedriver:下载完成后,放到不需要权限的纯英文目录下就可以了。
  1.5 快速入门
  现在以一个简单的获取百度首页的例子来讲下Selenium和chromedriver如何快速入门:
   from selenium import webdriver
  # chromedriver的绝对路径
  driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'
  # 初始化一个driver,并且指定chromedriver的路径
  driver = webdriver.Chrome(executable_path=driver_path)
  # 请求网页
  driver.get("https://www.baidu.com/")
  # 通过page_source获取网页源代码
  print(driver.page_source)
   1.6 selenium常用操作
   #-*-coding = utf-8 -*-
  from selenium import webdriver
  from selenium.webdriver.common.by import By
  # chromedriver的绝对路径
  driver_path = r'D:\ProgramApp\chromedriver\chromedriver.exe'
  # 初始化一个driver,并且指定chromedriver的路径
  driver = webdriver.Chrome(executable_path=driver_path)
  # 请求网页
  driver.get("https://www.baidu.com/")
  # 通过page_source获取网页源代码
  print(driver.page_source)
  selenium常用操作
  1.关闭页面:
  driver.close():关闭当前页面。
  driver.quit():退出整个浏览器。
  2.定位元素:
  a)find_element_by_id:根据id来查找某个元素。等价于:
  submitTag = driver.find_element_by_id('su')
  submitTag1 = driver.find_element(By.ID,'su')
  b)find_element_by_class_name:根据类名查找元素。 等价于:
  submitTag = driver.find_element_by_class_name('su')
  submitTag1 = driver.find_element(By.CLASS_NAME,'su')
  c)find_element_by_name:根据name属性的值来查找元素。等价于:
  submitTag = driver.find_element_by_name('email')
  submitTag1 = driver.find_element(By.NAME,'email')
  d)find_element_by_tag_name:根据标签名来查找元素。等价于:
  submitTag = driver.find_element_by_tag_name('div')
  submitTag1 = driver.find_element(By.TAG_NAME,'div')
  e)find_element_by_xpath:根据xpath语法来获取元素。等价于:
  submitTag = driver.find_element_by_xpath('//div')
  submitTag1 = driver.find_element(By.XPATH,'//div')
  f)find_element_by_css_selector:根据css选择器选择元素。等价于:
  submitTag = driver.find_element_by_css_selector('//div')
  submitTag1 = driver.find_element(By.CSS_SELECTOR,'//div')
  要注意,find_element是获取第一个满足条件的元素。find_elements是获取所有满足条件的元素。
  3.操作表单元素:
  a)操作输入框:分为两步。第一步:找到这个元素。第二步:使用send_keys(value),将数据填充进去。示例代码如下:
  inputTag = driver.find_element_by_id('kw')
  inputTag.send_keys('python')
  使用clear方法可以清除输入框中的内容。示例代码如下:
  inputTag.clear()
  b)操作checkbox:因为要选中checkbox标签,在网页中是通过鼠标点击的。因此想要选中checkbox标签,那么先选中这个标签,然后执行click事件。示例代码如下:
  rememberTag = driver.find_element_by_name("rememberMe")
  rememberTag.click()
  c)选择select:select元素不能直接点击。因为点击后还需要选中元素。这时候selenium就专门为select标签提供了一个类selenium.webdriver.support.ui.Select。将获取到的元素当成参数传到这个类中,创建这个对象。以后就可以使用这个对象进行选择了。示例代码如下:
  from selenium.webdriver.support.ui import Select
  # 选中这个标签,然后使用Select创建对象
  selectTag = Select(driver.find_element_by_name("jumpMenu"))
  # 根据索引选择
  selectTag.select_by_index(1)
  # 根据值选择
  selectTag.select_by_value("http://www.95yueba.com")
  # 根据可视的文本选择
  selectTag.select_by_visible_text("95秀客户端")
  # 取消选中所有选项
  selectTag.deselect_all()
  d)操作按钮:操作按钮有很多种方式。比如单击、右击、双击等。这里讲一个最常用的。就是点击。直接调用click函数就可以了。示例代码如下:
  inputTag = driver.find_element_by_id('su')
  inputTag.click()
  4.行为链:
  有时候在页面中的操作可能要有很多步,那么这时候可以使用鼠标行为链类ActionChains来完成。比如现在要将鼠标移动到某个元素上并执行点击事件。那么示例代码如下:
  inputTag = driver.find_element_by_id('kw')
  submitTag = driver.find_element_by_id('su')
  actions = ActionChains(driver)
  actions.move_to_element(inputTag)
  actions.send_keys_to_element(inputTag,'python')
  actions.move_to_element(submitTag)
  actions.click(submitTag)
  actions.perform()
  还有更多的鼠标相关的操作:
  click_and_hold(element):点击但不松开鼠标。
  context_click(element):右键点击。
  double_click(element):双击。
  更多方法请参考:http://selenium-python.readthedocs.io/api.html
 
   #-*-coding = utf-8 -*-
  from selenium import webdriver
  from selenium.webdriver.common.by import By
  # chromedriver的绝对路径
  driver_path = r'E:\study\chromedriver\chromedriver.exe'
  # 初始化一个driver,并且指定chromedriver的路径
  driver = webdriver.Chrome(executable_path=driver_path)
  # 请求网页
  driver.get("https://www.baidu.com/")
  # 通过page_source获取网页源代码
  print(driver.page_source)
  # 5.Cookie操作:
  # a)获取所有的cookie:
  for cookie in driver.get_cookies():
  print(cookie)
  # b)根据cookie的key获取value:
  #value = driver.get_cookie(key)
  print(driver.get_cookie('PSTM'))
  # c)删除所有的cookie:
  driver.delete_all_cookies()
  # d)删除某个cookie:
  #driver.delete_cookie(key)
  # 6页面等待:
  # 现在的网页越来越多采用了 Ajax 技术,这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个dom元素还没出来,但是你的代码直接使用了这个WebElement,那么就会抛出NullPointer的异常。为了解决这个问题。所以 Selenium 提供了两种等待方式:一种是隐式等待、一种是显式等待。
  # a)隐式等待:调用driver.implicitly_wait。那么在获取不可用的元素之前,会先等待10秒中的时间。示例代码如下:
  driver = webdriver.Chrome(executable_path=driver_path)
  driver.implicitly_wait(10)
  # 请求网页
  driver.get("https://www.douban.com/")
  # b)显示等待:显示等待是表明某个条件成立后才执行获取元素的操作。也可以在等待的时候指定一个最大的时间,如果超过这个时间那么就抛出一个异常。显示等待应该使用selenium.webdriver.support.excepted_conditions期望的条件和selenium.webdriver.support.ui.WebDriverWait来配合完成。示例代码如下:
  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
  driver = webdriver.Firefox()
  driver.get("http://somedomain/url_that_delays_loading")
  try:
  element = WebDriverWait(driver, 10).until(
  EC.presence_of_element_located((By.ID, "myDynamicElement"))
  )
  finally:
  driver.quit()
  # 一些其他的等待条件:
  # presence_of_element_located:某个元素已经加载完毕了。
  # presence_of_all_emement_located:网页中所有满足条件的元素都加载完毕了。
  # element_to_be_cliable:某个元素是可以点击了。
  # 更多条件请参考:http://selenium-python.readthedocs.io/waits.html
  
   7.页面切换
  有时候窗口中有很多子tab页面。这时候肯定是需要进行切换的。selenium提供了一个叫做switch_to_window来进行切换,具体切换到哪个页面,可以从driver.window_handles中找到。示例代码如下:
  # 打开一个新的页面
  driver.execute_script("window.open('https://www.douban.com/')")
  print(driver.window_handles)
  # 切换到这个新的页面中
  driver.switch_to_window(self.driver.window_handles[1])
  print(driver.current_url)
  #注意
  #虽然在浏览器窗口中切换到了新的页面,但是driver中还没有切换
  #如果想要在代码中切换到新的界面,那么应该使用driver.switch_to_window来切换到指定的窗口
  #从driver.window_handles中取出具体第几个窗口
  #driver.window_handles是一个列表,里面装的都是窗口句柄,它会按照打开的页面顺序来存储窗口的句柄。
  8.设置代理ip
  有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip,不同的浏览器有不同的实现方式。这里以Chrome浏览器为例来讲解:
  from selenium import webdriver
  options = webdriver.ChromeOptions()
  options.add_argument("--proxy-server=http://110.73.2.248:8123")
  driver_path = r"D:\ProgramApp\chromedriver\chromedriver.exe"
  driver = webdriver.Chrome(executable_path=driver_path,chrome_options=options)
  driver.get('http://httpbin.org/ip')
  9. WebElement元素
  from selenium.webdriver.remote.webelement import WebElement类是每个获取出来的元素的所属类。
  有一些常用的属性:
  get_attribute:这个标签的某个属性的值。
  screentshot:获取当前页面的截图。这个方法只能在driver上使用。
  driver的对象类,也是继承自WebElement。
   

【大佬说】测试员跳槽时,如何高效地准备面试?
21/212>

评 论

论坛新帖

顶部 底部


建议使用IE 6.0以上浏览器,800×600以上分辨率,法律顾问:上海瀛东律师事务所 张楠律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2019, 沪ICP备05003035号
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪公网安备 31010102002173号

51Testing官方微信

51Testing官方微博

扫一扫 测试知识全知道