爬虫 selenium

【一】介绍

【1】说明

• Selenium是一款广泛应用于Web应用程序测试的自动化测试框架

  • 它可以模拟用户再浏览器上的行为
  • 对Web应用进行自动化测试

• 主要作用：

  • 浏览器控制：启动、切换、关闭不同浏览器
  • 元素定位于操作：通过CSS选择器、Xpath等定位方式定位元素位置
  • 网页操作和内容获取：打开、刷新网页、获取URL、获取网页源码、截图、元素定位
  • 测试功能：测试Web应用程序的功能和性能，例如测试表单验证、等待Ajax请求完成操作
  • 测试兼容性：测试应用程序是否能很好的运行在不同浏览器、不同操作系统上

【2】安装引入

• 安装

pip install selenium

【3】驱动下载

• win11自带浏览器是microsoft edge
• 这是官网驱动下载地址
  • https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
• 根据浏览器版本进行驱动下载

• chrome驱动下载地址
  • Chrome for Testing availability (googlechromelabs.github.io)

【4】简单示例

import os
import time
from selenium import webdriver
from selenium.webdriver.edge.service import Service# 驱动位置
browser_path = os.path.join(os.path.dirname(__file__), 'msedgedriver.exe')
# 需要使用Service对象传递位置，要不然第一运行程序很慢，要等待查找
ser = Service(browser_path)
# 根据驱动选和浏览器进行选择
browser = webdriver.Edge(service=ser)# 打开网页
browser.get("http://www.baidu.com")
# 等待10秒
time.sleep(10)
# 关闭浏览器
browser.quit()

【二】浏览器操作

【1】基础操作

（1）指定驱动

• 需要使用Service对象指定驱动位置
  • 要不然第一运行程序很慢
  • 要等待查找程序慢慢查找

from selenium.webdriver.edge.service import Service
# 驱动位置
browser_path = os.path.join(os.path.dirname(__file__), 'msedgedriver.exe')
# 需要使用Service对象指定驱动位置
ser = Service(browser_path)
# 根据驱动选和浏览器进行选择
browser = webdriver.Edge(service=ser)

（2）基础操作

• 常用
  • browser.get(url)：访问指定网址
  • browser.maximize_window()：最大化浏览器
  • browser.current_url：浏览器当前网址
  • browser.page_source：网页源码
  • browser.close()：关闭当前窗口
  • browser.quit()：关闭浏览器实例
• 窗口(选项卡)：
  • browser.window_handles：所有选项卡列表，每个都是24位字符串
  • browser.execute_script(“window.open();”)：打开一个新的选项卡
  • browser.switch_to.window(browser.window_handles[-1])：切换选项卡，切换到最新打开的选项卡
• 其他
  • browser.set_window_size(width, height)：设置浏览器大小(宽, 高)
  • browser.forward()：浏览器前进
  • browser.forward()：浏览器前进
  • browser.title：浏览器标题
  • browser.name：浏览器名称

（3）八大选择器

• 需要导入标签定位工具

from selenium.webdriver.common.by import By

• browser.find_element(By.ID, value)
  • 通过ID查找
• browser.find_element(By.NAME, value)
  • 通过Name属性查找
• browser.find_element(By.CLASS_NAME, value)
  • 通过class属性查找
• browser.find_element(By.TAG_NAME, value)
  • 通过标签名查找
• browser.find_element(By.LINK_TEXT, value)
  • 通过链接(a标签)文字进行精确定位
• browser.find_element(By.PARTIAL_LINK_TEXT, value)
  • 通过链接(a标签)文字进行模糊定位
• browser.find_element(By.XPATH, value)
  • 通过XPath表达式进行定位
• browser.find_element(By.CSS_SELECTOR, value)
  • 通过css选择器定位

（4）元素操作

• 首先通过选择器拿到元素

  • tag =  browser.find_element(By.选择器, value)
    tag =  browser.find_elements(By.选择器, value)
    

• 常用

  • tag.text：获取标签的文本内容
  • tag.get_attribute(key)：根据属性名获取属性值
  • tag.click()：对标签进行点击操作
  • tag.clear()：清空可输入标签内的数据
  • tag.send_keys(data)：向标签(input、textarea … …)内输入数据
  • tag.submit()：对标签进行提交操作
  • tag.screenshot(‘1.png’)：对标签元素进行截图

• 其他：

  • tag.id：selenium内部使用的id
  • tag.get_property(key)：不是所有的 WebDriver 都支持，推荐使用get_attribute(key)
  • tag.location：获取坐标位置{‘x’: 630, ‘y’: 2121}
  • tag.location_once_scrolled_into_view：滚动页面到指定元素的位置，底部对齐，可输出坐标位置还是字典格式
  • tag.size：元素的大小{‘height’: 36, ‘width’: 80}
  • tag.tag_name：获取标签的标签名
  • tag.is_selected()：判断元素是否被选中
  • tag.is_enabled()：判断元素是否可编辑
  • tag.is_displayed：判断元素是否演示
  • tag._upload(filename)：上传文件
  • tag.value_of_css_property(‘color)：获取的属性值，这个就是获取颜色属性rgba(57, 81, 179, 1)

【2】页面等待

（1）为什么要等待

• 放置频率过高，对别人的服务器不好
• 等待页面的标签元素加载

（2）等待的方法

• 强制等待（无条件等待）

  • 使用time模块中的sleep方法

• 隐式等待

  • 通过browser.implicitly_wait(time_to_wait=2)
  • 设置的是WebDriver在整个会话期间等待元素加载到dom的时间，全局的配置
  • 超过指定时间任然未找到将报错

• 显示等待(智能等待)

  • 针对指定元素指定等待时间

  • from selenium.webdriver.common.by import By
    from selenium.webdriver.support.ui import WebDriverWait
    from selenium.webdriver.support import expected_conditions as EC# 等待元素出现
    wait = WebDriverWait(browser, 10, 0.5)
    wait.until(EC.presence_of_element_located((By.ID, 'id_value')))
    

  • WebDriverWait(浏览器, 等待时间, 查找频率(默认0.5s))

  • 超出时间也会报错

【3】动作链

（1）什么是动作链

• 动作链是一种用于模拟复杂用户交互操作的功能

  • 鼠标、键盘操作等

• 导入动作链类ActionChains

from selenium.webdriver.common.action_chains import ActionChains

• 导入键盘类Keys

from selenium.webdriver.common.keys import Keys

（2）常用鼠标、键盘操作

• 鼠标(鼠标操作最后一定要perform)
  • context_click()：右击
  • double_click()：双击
  • double_and_drop()：拖拽
  • move_to_element()：悬停
  • perform()：执行
• 键盘（键盘操作可以直接使用）
  • send_keys(Keys.BACK_SPACE)：删除键
  • send_keys(Keys.SPACE)：空格键
  • send_keys(Keys.TAB)：制表键
  • send_keys(Keys.ESCAPE)：回退键
  • send_keys(Keys.ENTER)：回车键
  • send_keys(Keys.CONTROL, ‘a’)：全选
  • send_keys(Keys.CONTROL, ‘c’)：复制
  • send_keys(Keys.CONTROL, ‘v’)：粘贴
  • send_keys(Keys.CONTROL, ‘x’)：剪切
  • send_keys(Keys.F1)：键盘F1
• 事件监听
  • click(on_element=None) ：左键点击
  • click_and_hold(on_element=None) ：单击左键不松开
  • context_click(on_element=None)：右键点击
  • double_click(on_element=None)：双击左键
  • drag_and_drop(source,target)：拖拽某个元素
  • drag_and_drop_by_offset(source,xoffset,yoffset)：拖拽并移动指定像素
  • key_down(value,element=None)：按下某个键盘
  • key_up(value, element=None)：松开键盘上的某个键
  • move_by_offset(xoffset, yoffset)：移动指定像素
  • move_to_element(to_element)：移动到指定元素
  • move_to_element_with_offset(to_element, xoffset, yoffset)：移动到指定元素的位置（距元素左上角）
  • pause(seconds)：暂停所有输入，指定时间
  • perform()：执行所有操作
  • reset_action()：结束已经存在的操作并重置
  • release(on_element=None)：在某个元素位置松开鼠标
  • send_keys(*keys_to_send)：发送某个键或文本到当前焦点的元素
  • send_keys_to_element(element, *keys_to_send)：发送某个键或文本到指定元素

【4】动作链示例

（1）搜狗输入

• 实际上不用动作链更方便，这里为了演示

import timefrom selenium import webdriver
from selenium.webdriver.edge.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.common.keys import Keysservice = Service('.\msedgedriver.exe')
browser = webdriver.Edge(service=service)browser.get("https://www.sogou.com/")
browser.maximize_window()
time.sleep(1)# 创建动态链实例
action = ActionChains(browser)
# 找到输入文本框
input_elm = browser.find_element(By.XPATH, '//*[@id="query"]')
input_elm.send_keys("周润发")  # 输入文本
# 搜索按钮
search_ele = browser.find_element(By.XPATH, '//*[@id="stb"]')
action.move_to_element(search_ele).click().perform()  # 必须要perform# 等待3s
time.sleep(3)# 从新找到输入文本框
input_elm = browser.find_element(By.XPATH, '//*[@id="upquery"]')
# input_elm.clear() # 简单直接
input_elm.send_keys(Keys.CONTROL, "a")  # 复杂
time.sleep(0.5)
input_elm.send_keys(Keys.BACK_SPACE)
time.sleep(0.5)
input_elm.send_keys('周星驰')
time.sleep(0.5)# 搜索按钮
search_ele = browser.find_element(By.XPATH, '//*[@id="searchBtn"]')
action.click(search_ele).perform() # 一定要performtime.sleep(2)
browser.close()
browser.quit()

（2）拖拽标签滑动

• 测试网址：http://sahitest.com/demo/dragDropMooTools.htm

import timefrom selenium import webdriver
from selenium.webdriver.edge.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.common.keys import Keysservice = Service('.\msedgedriver.exe')
browser = webdriver.Edge(service=service)browser.get('http://sahitest.com/demo/dragDropMooTools.htm')
browser.maximize_window()
time.sleep(1)# 获取元素
source_div = browser.find_element(By.XPATH, '//*[@id="dragger"]')
target_div1 = browser.find_element(By.XPATH, "/html/body/div[2]")
target_div2 = browser.find_element(By.XPATH, "/html/body/div[3]")
target_div3 = browser.find_element(By.XPATH, "/html/body/div[4]")
target_div4 = browser.find_element(By.XPATH, "/html/body/div[5]")# 实例化动作链
action = ActionChains(browser)
# 拖拽方式一: 直接drag_and_drop
time.sleep(1)
action.drag_and_drop(source_div, target_div1).perform()
# 拖拽方式二：先click_and_hold，然后move_to_element，再然后release
time.sleep(1)
action.click_and_hold(source_div).move_to_element(target_div2).release().perform()
# 拖拽方式三：先计算偏移量，然后drag_and_drop_by_offset
time.sleep(1)
x = target_div3.location['x'] - source_div.location['x']
y = target_div3.location['y'] - source_div.location['y']
action.drag_and_drop_by_offset(source_div, x, y).perform()
# 拖拽方式四：先click_and_hold，然后到目标位置release
time.sleep(1)
action.click_and_hold(source_div).release(target_div4).perform()time.sleep(2)
browser.close()
browser.quit()

（3）框架(frame)内拖动标签

• 测试网址：菜鸟教程在线编辑器 (runoob.com)
  • 无法直接操作
  • 需要先切换到指定框架内

import random
import timeimport selenium.common.exceptions
from selenium import webdriver
from selenium.webdriver.edge.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.common.keys import Keysservice = Service('.\msedgedriver.exe')
browser = webdriver.Edge(service=service)
browser.maximize_window()browser.get('https://www.runoob.com/try/try.php?filename=jqueryui-api-droppable')
time.sleep(2)# 根据frame的id进行切换
browser.switch_to.frame('iframeResult')
# 获取元素标签
source_div = browser.find_element(By.XPATH, '//*[@id="draggable"]')
target_div = browser.find_element(By.XPATH, '//*[@id="droppable"]')
# 实例动作链对象
action = ActionChains(browser)
# 计算需要移动的偏移量
x = target_div.location['x'] - source_div.location['x']
try:while x:m = min(random.randint(1, x), 30)action.drag_and_drop_by_offset(source_div, m, 0).perform()x -= mtime.sleep(random.randint(50, 150) / 1000)
except selenium.common.exceptions.UnexpectedAlertPresentException:passtime.sleep(2)
browser.close()
browser.quit()

【5】执行JS代码

（1）需求何来

• 前端显示受限
• 页面滚动条无法通过元素获取
• 通过执行JS代码，甚至还可以修改页面参数

（2）使用方法

• 打开新的页面

browser.execute_script("window.open()")
browser.switch_to.window(browser.window_handles[-1])
browser.get("http://baidu.com")

• 滚动到页面底部

browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")

• 点击元素

next_url = browser.find_element(By.XPATH, '//*[@id="sogou_next"]')
script_str = 'arguments[0].click()'
browser.execute_script(script_str, next_url)

• 输入文本

input_div = browser.find_element(By.XPATH, '//*[@id="upquery"]')
script_str = 'arguments[0].value = arguments[1]'
browser.execute_script(script_str, input_div, '周杰伦')

• 获取元素属性

element = browser.find_element(By.XPATH, '//*[@id="searchBtn"]')
script_str = 'return arguments[0].getAttribute("value");'
attribute_value = browser.execute_script(script_str, element)
print(attribute_value)  # 搜狗搜索

• 拖动元素
  • 速度过快，还是使用动作链

source_div = browser.find_element(By.XPATH, '')
target_div = browser.find_element(By.XPATH, '')
script_str = '''var source = arguments[0], target = arguments[1];var offsetX = target.getBoundingClientRect().left - source.getBoundingClientRect().left;var offsetY = target.getBoundingClientRect().top - source.getBoundingClientRect().top;var event = new MouseEvent('mousedown', { bubbles: true, cancelable: true, view: window });source.dispatchEvent(event);event = new MouseEvent('mousemove', { bubbles: true, cancelable: true, view: window, clientX: offsetX, clientY: offsetY });source.dispatchEvent(event);event = new MouseEvent('mouseup', { bubbles: true, cancelable: true, view: window });source.dispatchEvent(event);
'''
browser.execute_script(script_str, source_div, target_div)

• 隐藏或伪装浏览器自动化

browser.execute_script("Object.defineProperties(navigator,{webdriver:{get:()=>undefined}})")

【6】options

（1）介绍

• 无头浏览器是一种没有图形界面(GUI)的的网络浏览器
• 他通过在内存中渲染页面，然后将结果发送回请求它的用户或程序来实现对网络的访问，而不会在屏幕上显示网页
• 优点
  • 执行速度快、减少干扰、资源消耗低、易于集成、应用范围广
• 缺点
  • 不能完全模拟用户真实行为、不适用于需要页面渲染验证的场景、调试困难

（2）页面渲染机制

1. 解析HTML，构建DOM树
2. 解析CSS，生成CSSOM树
3. 合并DOM树和CSSOM树，生成渲染树
4. 根据渲染树进行布局
5. 调用GPU绘制渲染树，合并图层，显示在屏幕上

• 无头浏览器跳过了后面的三个步骤

（2）如何使用

• 无头浏览器有时还是需要指定窗口大小的
  • 模拟不同设备大小
  • 网页渲染需要
  • 截图一致性

from selenium.webdriver.edge.options import Options
options = Options()
# 指定窗口分辨率
options.add_argument("window-size=1920x1080")
# 隐藏滚动条，应对特殊界面
options.add_argument('--hide-scrollbars')
# 启用无头浏览器
options.add_argument('--headless')
# 不加载图片，提升速度
options.add_argument('blink-settings=imagesEnabled=false')
# 禁用GPU加速
options.add_argument('--disable-gpu')
# 添加IP代理 proxy=f"http://{ip}:{port}"
options.add_argument(f'--proxy-server={proxy}') 
# 隐身模式（无痕模式）
options.add_argument('--incognito')  
# 设置请求头的User-Agent
options.add_argument('--user-agent=""')  
# 浏览器最大化
options.add_argument('--start-maximized')  
# 设置中文
options.add_argument('lang=zh_CN.UTF-8')  

• 去除自动化控制的设置

options.add_experimental_option("excludeSwitches", ["enable-automation"])
options.add_experimental_option('useAutomationExtension', False)

• 示例
  • 百度可以
  • 搜狗不行

import time
from selenium import webdriver
from selenium.webdriver.edge.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.edge.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as ECedge_options = Options()
# 指定窗口分辨率
edge_options.add_argument("window-size=1920x1080")
# 隐藏滚动条，应对特殊界面
edge_options.add_argument('--hide-scrollbars')
# 启用无头浏览器
edge_options.add_argument('--headless')
# 不加载图片，提升速度
edge_options.add_argument('blink-settings=imagesEnabled=false')
# 规避bug
edge_options.add_argument('--disable-gpu')service = Service('.\msedgedriver.exe')
browser = webdriver.Edge(service=service, options=edge_options)
browser.maximize_window()browser.get('https://www.baidu.com/')
time.sleep(2)element = WebDriverWait(browser, 10).until(EC.element_to_be_clickable((By.XPATH, '//*[@id="su"]')))
script_str = 'return arguments[0].getAttribute("value");'
attribute_value = browser.execute_script(script_str, element)
print(attribute_value)  # 百度一下time.sleep(1)
browser.close()
browser.quit()

【7】cookie操作

（1）常用方法

• browser.get_cookies()：获取当前页面cookies，是列表套字典
• browser.add_cookie(cookie_dict)：添加cookie
• browser.delete_cookies(name)：根据name删除指定cookie
• browser.delete_all_cookies()：删除所有的cookie

（2）查看add_cookie源码注释

"""
Adds a cookie to your current session.:Args:- cookie_dict: A dictionary object, with required keys - "name" and "value";optional keys - "path", "domain", "secure", "httpOnly", "expiry", "sameSite":Usage:::driver.add_cookie({'name' : 'foo', 'value' : 'bar'})driver.add_cookie({'name' : 'foo', 'value' : 'bar', 'path' : '/'})driver.add_cookie({'name' : 'foo', 'value' : 'bar', 'path' : '/', 'secure' : True})driver.add_cookie({'name' : 'foo', 'value' : 'bar', 'sameSite' : 'Strict'})
"""

• cookie_dict以字典的形式传入
  • 字典中必须有name和value两个键
  • 可选的键有：“path”, “domain”, “secure”, “httpOnly”, “expiry”, “sameSite”
• 键名的含义
  • name：cookie的名称。唯一标识符，区分不同的cookie
  • value：cookie对应的值
  • domain：cookie适用的域名。定义哪些域名可以接收和发送cookie
  • expiry或max-age：cookie的过期时间
  • path：cookie适用的URL路径
  • httpOnly：一个标识，指示cookie是否只能通过HTTP(S)协议访问，而不能通过客户端脚本(如javascript)访问
  • secure：一个标识，指示cookie是否只能通过安全的HTTPS连接传输
  • sameSite：定义cookie的sameSite属性，控制何时发送cookie，有助于放置跨站请求伪造(csrf)攻击，有三个值
    • Strict：仅当请求来自同一站点才发送cookie
    • Lax：在导航到目标站点(即链接点击)或顶级导航到相同站点时发送cookie
    • None：浏览器始终发送cookie，不考虑请求的站点。
      • 这通常和Secure属性一起使用，以增强安全性

（3）使用方法

# 保存cookies
cookies = browser.get_cookies()
with open(cookie_path, 'wt', encoding='utf8') as fp:json.dump(cookies, fp=fp)

# 添加cookie
with open(cookie_path, 'rt', encoding='utf8') as fp:cookies = json.load(fp=fp)
for cookie in cookies:browser.add_cookie(cookie)

# 转为requets中的cookies字典
with open(cookie_path, 'rt', encoding='utf8') as fp:cookies = json.load(fp=fp)
requests_cookies = {cookie.get('name'):cookie.get('value') for cookie in cookies}    

# 转换为headers中的cookie
from urllib.parse import quote  # 用于编码cookie的名称和值  
with open(cookie_path, 'rt', encoding='utf8') as fp:cookies = json.load(fp=fp)
headers_cookie = "; ".join([f"{quote(cookie['name'])}={quote(cookie['value'])}" for cookie in cookies])