共 8 章，37 子模块
Selenium本文概要
本阶段本文主要学习selenium自动化测试框架在爬虫中的应用，selenium能够大幅降低爬虫的编写难度，但是也同样会大幅降低爬虫的爬取速度。在逼不得已的情况下我们可以使用selenium进行爬虫的编写。
selenium提取数据 知识点： 了解 driver对象的常用属性和方法掌握 driver对象定位标签元素标签对象的方法掌握 标签对象提取文本和属性值的方法1. driver对象的常用属性和方法
在使用selenium过程中，实例化driver对象后，driver对象有一些常用的属性和方法
driver.page_source 当前标签页浏览器渲染之后的网页源代码driver.current_url 当前标签页的urldriver.close() 关闭当前标签页，如果只有一个标签页则关闭整个浏览器driver.quit() 关闭浏览器driver.forward() 页面前进driver.back() 页面后退driver.screen_shot(img_name) 页面截图知识点：了解 driver对象的常用属性和方法
2. driver对象定位标签元素标签对象的方法
在selenium中可以通过多种方式来定位标签，返回标签元素对象
find_element_by_id (返回一个元素)find_element(s)_by_class_name (根据类名元素列表)find_element(s)_by_name (根据标签的name属性值返回包含标签对象元素的列表)find_element(s)_by_xpath (返回一个包含元素的列表)find_element(s)_by_link_text (根据连接文本元素列表)find_element(s)_by_partial_link_text (根据链接包含的文本元素列表)find_element(s)_by_tag_name (根据标签名元素列表)find_element(s)_by_css_selector (根据css选择器来元素列表)注意：
find_element和find_elements的区别：
多了个s就返回列表，没有s就返回匹配到的第一个标签对象find_element匹配不到就抛出异常，find_elements匹配不到就返回空列表by_link_text和by_partial_link_tex的区别：全部文本和包含某个文本
以上函数的使用方法
driver.find_element_by_id('id_str')知识点：掌握 driver对象定位标签元素标签对象的方法
3. 标签对象提取文本内容和属性值
find_element仅仅能够元素，不能够直接其中的数据，如果需要数据需要使用以下方法
对元素执行点击操作element.click()
对定位到的标签对象进行点击操作向输入框输入数据element.send_keys(data)
对定位到的标签对象输入数据文本element.text
通过定位的标签对象的text属性，文本内容属性值element.get_attribute("属性名")
通过定位的标签对象的get_attribute函数，传入属性名，来属性的值代码实现，如下：
from selenium import webdriverdriver = webdriver.Chrome()driver.get('http://www.itcast.cn/')ret = driver.find_elements_by_tag_name('h2')print(ret[0].text) # ret = driver.find_elements_by_link_text('黑马程序员')print(ret[0].get_attribute('href'))driver.quit()selenium的其它使用方法 知识点： 掌握 selenium控制标签页的切换掌握 selenium控制iframe的切换掌握 利用seleniumcookie的方法掌握 手动实现页面等待掌握 selenium控制浏览器执行js代码的方法掌握 selenium开启无界面模式了解 selenium使用代理ip了解 selenium替换user-agent
1. selenium标签页的切换
当selenium控制浏览器打开多个标签页时，如何控制浏览器在不同的标签页中进行切换呢？需要我们做以下两步：
所有标签页的窗口句柄
利用窗口句柄字切换到句柄指向的标签页
这里的窗口句柄是指：指向标签页对象的标识关于句柄请课后了解更多，本小节不做展开具体的方法
# 1. 当前所有的标签页的句柄构成的列表current_windows = driver.window_handles# 2. 根据标签页句柄列表索引下标进行切换driver.switch_to.window(current_windows[0]) 参考代码示例： import timefrom selenium import webdriverdriver = webdriver.Chrome()driver.get("https://www.baidu.com/")time.sleep(1)driver.find_element_by_id('kw').send_keys('python')time.sleep(1)driver.find_element_by_id('su').click()time.sleep(1)# 通过执行js来新开一个标签页js = 'window.open("https://www.sogou.com");'driver.execute_script(js)time.sleep(1)# 1. 当前所有的窗口windows = driver.window_handlestime.sleep(2)# 2. 根据窗口索引进行切换driver.switch_to.window(windows[0])time.sleep(2)driver.switch_to.window(windows[1])time.sleep(6)driver.quit()知识点：掌握 selenium控制标签页的切换
2. switch_to切换frame标签 iframe是html中常用的一种技术，即一个页面中嵌套了另一个网页，selenium默认是访问不了frame中的内容的，对应的解决思路是driver.switch_to.frame(frame_element)。接下来我们通过qq邮箱模拟登陆来学习这个知识点 参考代码： import timefrom selenium import webdriverdriver = webdriver.Chrome()url = 'https://mail.qq.com/cgi-bin/loginpage'driver.get(url)time.sleep(2)login_frame = driver.find_element_by_id('login_frame') # 根据id定位 frame元素driver.switch_to.frame(login_frame) # 转向到该frame中driver.find_element_by_xpath('//*[@id="u"]').send_keys('1596930226@qq.com')time.sleep(2)driver.find_element_by_xpath('//*[@id="p"]').send_keys('hahamimashicuode')time.sleep(2)driver.find_element_by_xpath('//*[@id="login_button"]').click()time.sleep(2)"""操作frame外边的元素需要切换出去"""windows = driver.window_handlesdriver.switch_to.window(windows[0])content = driver.find_element_by_class_name('login_pictures_title').textprint(content)driver.quit()
总结：
切换到定位的frame标签嵌套的页面中
driver.switch_to.frame(通过find_element_by函数定位的frame、iframe标签对象)利用切换标签页的方式切出frame标签
windows = driver.window_handlesdriver.switch_to.window(windows[0])知识点：掌握 selenium控制frame标签的切换
3. selenium对cookie的处理
selenium能够帮助我们处理页面中的cookie，比如、删除，接下来我们就学习这部分知识
3.1 cookiedriver.get_cookies()返回列表，其中包含的是完整的cookie信息！不光有name、value，还有domain等cookie其他维度的信息。所以如果想要把的cookie信息和requests模块配合使用的话，需要转换为name、value作为键值对的cookie字典
# 当前标签页的全部cookie信息print(driver.get_cookies())# 把cookie转化为字典cookies_dict = {cookie[‘name’]: cookie[‘value’] for cookie in driver.get_cookies()} 3.2 删除cookie #删除一条cookiedriver.delete_cookie("CookieName")# 删除所有的cookiedriver.delete_all_cookies()知识点：掌握 利用seleniumcookie的方法
4. selenium控制浏览器执行js代码
selenium可以让浏览器执行我们规定的js代码，运行下列代码查看运行效果
import timefrom selenium import webdriverdriver = webdriver.Chrome()driver.get("http://www.itcast.cn/")time.sleep(1)js = 'window.scrollTo(0,document.body.scrollHeight)' # js语句driver.execute_script(js) # 执行js的方法time.sleep(5)driver.quit() 执行js的方法：driver.execute_script(js)知识点：掌握 selenium控制浏览器执行js代码的方法
5. 页面等待
页面在加载的过程中需要花费时间等待网站服务器的响应，在这个过程中标签元素有可能还没有加载出来，是不可见的，如何处理这种情况呢？
页面等待分类强制等待介绍显式等待介绍隐式等待介绍手动实现页面等待 5.1 页面等待的分类首先我们就来了解以下selenium页面等待的分类
强制等待隐式等待显式等待 5.2 强制等待（了解） 其实就是time.sleep()缺点时不智能，设置的时间太短，元素还没有加载出来；设置的时间太长，则会浪费时间 5.3 隐式等待隐式等待针对的是元素定位，隐式等待设置了一个时间，在一段时间内判断元素是否定位成功，如果完成了，就进行下一步
在设置的时间内没有定位成功，则会报超时加载
示例代码
from selenium import webdriverdriver = webdriver.Chrome() driver.implicitly_wait(10) # 隐式等待，最长等20秒 driver.get('https://www.baidu.com')driver.find_element_by_xpath() 5.4 显式等待（了解）每经过多少秒就查看一次等待条件是否达成，如果达成就停止等待，继续执行后续代码
如果没有达成就继续等待直到超过规定的时间后，报超时异常
示例代码
from selenium import webdriver from selenium.webdriver.support.wait import WebDriverWait from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.common.by import By driver = webdriver.Chrome()driver.get('https://www.baidu.com')# 显式等待WebDriverWait(driver, 20, 0.5).until(EC.presence_of_element_located((By.LINK_TEXT, '好123'))) # 参数20表示最长等待20秒# 参数0.5表示0.5秒检查一次规定的标签是否存在# EC.presence_of_element_located((By.LINK_TEXT, '好123')) 表示通过链接文本内容定位标签# 每0.5秒一次检查，通过链接文本内容定位标签是否存在，如果存在就向下继续执行；如果不存在，直到20秒上限就抛出异常print(driver.find_element_by_link_text('好123').get_attribute('href'))driver.quit() 5.5 手动实现页面等待在了解了隐式等待和显式等待以及强制等待后，我们发现并没有一种通用的方法来解决页面等待的问题，比如“页面需要滑动才能触发ajax异步加载”的场景，那么接下来我们就以淘宝网首页为例，手动实现页面等待
原理：
利用强制等待和显式等待的思路来手动实现不停的判断或有次数限制的判断某一个标签对象是否加载完毕（是否存在）实现代码如下：
import timefrom selenium import webdriverdriver = webdriver.Chrome('/home/worker/Desktop/driver/chromedriver')driver.get('https://www.taobao.com/')time.sleep(1)# i = 0# while True:for i in range(10):i += 1try:time.sleep(3)element = driver.find_element_by_xpath('//div[@class="shop-inner"]/h3[1]/a')print(element.get_attribute('href'))breakexcept:js = 'window.scrollTo(0, {})'.format(i*500) # js语句driver.execute_script(js) # 执行js的方法driver.quit()知识点：掌握 手动实现页面等待
6. selenium开启无界面模式
绝大多数服务器是没有界面的，selenium控制谷歌浏览器也是存在无界面模式的，这一小节我们就来学习如何开启无界面模式（又称之为无头模式）
开启无界面模式的方法
实例化配置对象
options = webdriver.ChromeOptions()配置对象添加开启无界面模式的命令
options.add_argument("--headless")配置对象添加禁用gpu的命令
options.add_argument("--disable-gpu")实例化带有配置对象的driver对象
driver = webdriver.Chrome(chrome_options=options)注意：macos中chrome浏览器59+版本，Linux中57+版本才能使用无界面模式！
参考代码如下：
from selenium import webdriveroptions = webdriver.ChromeOptions() # 创建一个配置对象options.add_argument("--headless") # 开启无界面模式options.add_argument("--disable-gpu") # 禁用gpu# options.set_headles() # 无界面模式的另外一种开启方式driver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象driver.get('http://www.itcast.cn')print(driver.title)driver.quit()知识点：掌握 selenium开启无界面模式
7. selenium使用代理ip
selenium控制浏览器也是可以使用代理ip的！
使用代理ip的方法
实例化配置对象
options = webdriver.ChromeOptions()配置对象添加使用代理ip的命令
options.add_argument('--proxy-server=http://202.20.16.82:9527')实例化带有配置对象的driver对象
driver = webdriver.Chrome('./chromedriver', chrome_options=options)参考代码如下：
from selenium import webdriveroptions = webdriver.ChromeOptions() # 创建一个配置对象options.add_argument('--proxy-server=http://202.20.16.82:9527') # 使用代理ipdriver = webdriver.Chrome(chrome_options=options) # 实例化带有配置的driver对象driver.get('http://www.itcast.cn')print(driver.title)driver.quit()知识点：了解 selenium使用代理ip
8. selenium替换user-agent
selenium控制谷歌浏览器时，User-Agent默认是谷歌浏览器的，这一小节我们就来学习使用不同的User-Agent
替换user-agent的方法
实例化配置对象
options = webdriver.ChromeOptions()配置对象添加替换UA的命令
options.add_argument('--user-agent=Mozilla/5.0 HAHA')实例化带有配置对象的driver对象
driver = webdriver.Chrome('./chromedriver', chrome_options=options)参考代码如下：
from selenium import webdriveroptions = webdriver.ChromeOptions() # 创建一个配置对象options.add_argument('--user-agent=Mozilla/5.0 HAHA') # 替换User-Agentdriver = webdriver.Chrome('./chromedriver', chrome_options=options)driver.get('http://www.itcast.cn')print(driver.title)driver.quit()知识点：了解 selenium替换user-agent
反爬与反反爬
本阶段本文主要学习爬虫的反爬及应对方法。
未完待续 下一期下一章 全套笔记直接地址： 请移步这里
