python爬虫14--Selenium动态渲染页面抓取

1.声明浏览器对象

from selenium import webdriver

browser = webdriver.Chrome()
# browser = webdriver.Firefox()
# browser = webdriver.Edge()

2.访问页面

from selenium import webdriver

browser = webdriver.Chrome()
url = 'http://www.baidu.com'
browser.get(url)
print(browser.page_source)
browser.close()  #使用完要关闭浏览器

3.节点查找

3.1 单个节点

从淘宝首页提取搜索框

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

browser = webdriver.Chrome()
url = 'http://www.taobao.com'
browser.get(url)
input_first = browser.find_element_by_id('q')                  #根据id获取
input_second = browser.find_elements_by_css_selector('#q')     #根据css选择器获取
input_third = browser.find_element_by_xpath('//*[@id="q"]')  #根据xpath获取
input_forth = browser.find_element(By.ID,'q')                  #find_element()
print(input_first,input_second,input_third,input_forth)
browser.close()

运行结果为WebElement类型，<selenium.webdriver.remote.webelement.WebElement (session="47f594f34cc9868f68ab3653e1d542a6">

find_element()方法只查询到第一个节点

3.2 多个节点

查询左侧导航栏

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

url = 'http://www.taobao.com'
browser = webdriver.Chrome()
browser.get(url)
lis1 = browser.find_elements_by_css_selector('.service-bd li')  #class属性为service-bd的ul下的所有li标签，返回结果为列表
lis2 = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')
print(len(lis1),lis1)
print(len(lis2),lis2)
browser.close()

3.3 节点交互

Selenium可以驱动浏览器来执行一些操作，常用方法有：

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

在输入框中输入要查找的内容进行搜索

from selenium import webdriver
import time

url = 'http://www.taobao.com'
browser = webdriver.Chrome()
browser.get(url)
input = browser.find_element_by_id('q')
input.send_keys('电脑')
time.sleep(3)
input.clear()
input.send_keys('笔记本电脑')
button = browser.find_elements_by_css_selector('.btn-search tb-bg')
button.click()
browser.close()

3.4 执行JavaScript

对于某些操作selenium API没有提供，如下拉进度条，可以直接模拟运行javascript，使用execute_script()方法。

from selenium import webdriver
import time

url = 'http://www.taobao.com'
browser = webdriver.Chrome()
browser.get(url)
browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(5)
browser.execute_script('alert("To Buttom")')

4.获取节点信息

page_source属性可以获取网页源代码，然后可以使用解析库获取信息。

selenium选择节点，返回的WebElement类型，也有对应的属性和方法来获取节点信息。

4.1 获取属性

get_attribute()方法获取属性。

input = browser.find_element_by_id('q')
print(input.get_attribute('name'))

4.2 获取文本值

text属性可获取文本值。

lis = browser.find_elements_by_css_selector('.service-bd li')
for li in lis:
    print(li.text)

4.3 获取id、位置、标签名和大小

id属性获取节点id；location属性获取该节点在页面中的相对位置；tag_name属性获取标签名；size属性获取节点宽高。

5.切换Frame

iframe即子Frame，相当于页面的子页面，结构和外部网页的结构完全一致，selenium打开页面后，默认在父级的Frame里，不能获取到在子Frame里的节点，需要使用switch_to.frame()方法来切换Frame。

from selenium import webdriver
from selenium.common.exceptions import  NoSuchElementException
browser = webdriver.Chrome()
url = 'https://www.cdsy.xyz/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')        #切换到子Frame
try:
    logo1 = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    print('no logo')
browser.switch_to.parent_frame()     #切换到父级Frame
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)
browser.close()

6.延时等待

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，可能不是浏览器完全加载的页面，所以需要延时等待一段时间，确保节点全部加载。

6.1 隐式等待

使用隐式等待，如果selenium在DOM中没有找到节点，会继续等待，超出设定时间后，会抛出找不到节点的异常，规定了一个固定时间，默认时间为0。用implicitly_wait()实现隐式等待。

from selenium import webdriver
browser = webdriver.Chrome()
browser.implicitly_wait(10)
browser.get('http://www.baidu.com')
input = browser.find_element_by_id('kw')
print(input)
browser.close()

6.2显示等待

显示等待指定一个最长等待时间，如果在规定时间内没有加载出来，会抛出超时异常。

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()
url = 'http://www.taobao.com'
browser.get(url)
wait = WebDriverWait(browser,10)      #引入WebDriverWait对象，指定最长等待时间
input = wait.until(EC.presence_of_element_located((By.ID,'q')))     #调用until()方法，传入等待条件expected_conditions
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR,'.btn-search')))
print(input,button)
browser.close()

7.前进和后退

back()后退；forward()前进。

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('http://www.baidu.com')
browser.get('http://taobao.com')
browser.get('https://www.cnblogs.com/')
browser.back()
time.sleep(3)
browser.forward()
time.sleep(3)
browser.back()
time.sleep(3)
browser.close()

8.选项卡操作

from selenium import webdriver
import time

browser = webdriver.Chrome()
browser.get('http://www.baidu.com')
browser.execute_script('window.open()')             #新开启一个选项卡，即第二个
print(browser.window_handles)                          #获取当前开启的所有选项卡，以列表的形式返回，此处两个
browser.switch_to.window(browser.window_handles[1])    #切换到第二个选项卡
browser.get('http://taobao.com')                    #在第二个选项卡打开淘宝页面
time.sleep(3)
browser.switch_to.window(browser.window_handles[0])     #切换到第一个选项卡
browser.get('https://www.cnblogs.com/')             #在第一个选项卡打开博客页面

更多资料见参考文档：https://selenium-python.readthedocs.io/api.html

9.案例--使用selenium抓取淘宝商品

目标：

利用selenium抓取淘宝商品并用pyquery解析得到商品的图片、名称、价格、购买人数、店铺名称和店铺所在地信息，并保存到MongoDB中。