用Selenium来爬取数据？真挺简单的！

我们知道很多时候爬虫也不是取数万能的，这个时候就需要我们的挺简自动化测试框架了。

于是取数Selenium就应运而生了，它可以算的挺简上是自动化测试框架中的佼佼者，因为它解决了大多数用来爬取页面的取数模块的一个永远的痛，那就是挺简Ajax异步加载 。今天将给大家详解如何用Selenium爬取数据，取数并最后附上一个真实的挺简案例。

一 、取数Selenium介绍

Selenium是挺简一个web的自动化测试工具，最初是取数为网站自动化测试而开发的，Selenium可以直接运行在浏览器上，挺简它支持所有主流的取数浏览器，可以接收指令，挺简让浏览器自动加载页面，取数获取需要的数据，云服务器甚至页面截屏 。

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/downloadsFirefox：https://github.com/mozilla/geckodriver/releasesEdge：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/Safari：https://webkit.org/blog/6900/webdriver-support-in-safari-10/

安装配置chromedriver:https://blog.csdn.net/weixin_43901998/article/details/88087832

安装Selenium：

pip install selenium

安装好浏览器后，将浏览器驱动放在浏览器同级目录下，这样前期工作就算都预备好了。

注：不要随便乱下浏览器和驱动，每个浏览器和驱动器的版本都必须是一一对应的，不是通用的。

二、快速入门

1、与浏览器建立连接# 1.加载网页

from selenium import webdriver

driver = webdriver.PhantomJS(executable_path=r"安装目录") # 也可以把chrome添加到python文件路径下,就不用写executable_path=r"安装目录"

driver.get("https://www.baidu.com") # 请求

driver.save_screenshot("baidu.png") # 截图

# 退出

driver.quit()2、selenium快速入门from selenium import webdriver

# 实例化浏览器

driver = webdriver.Chrome()

# 发送请求

driver.get(https://www.baidu.com)

# 截图

driver.save_screenshot("baidu.png")

# 最大化窗口

driver.maximize_window()

# 退出浏览器

driver.quit()

三、定位元素

find_element_by_id：根据id来查找某个元素。submitTag = driver.find_element_by_id(su)

submitTag1 = driver.find_element(By.ID,su)find_element_by_class_name：根据类名查找元素。submitTag = driver.find_element_by_class_name(su)

submitTag1 = driver.find_element(By.CLASS_NAME,su)find_element_by_name：根据name属性的值来查找元素。submitTag = driver.find_element_by_name(email)

submitTag1 = driver.find_element(By.NAME,email)find_element_by_tag_name：根据标签名来查找元素。submitTag = driver.find_element_by_tag_name(div)

submitTag1 = driver.find_element(By.TAG_NAME,div)find_element_by_xpath：根据xpath语法来获取元素。submitTag = driver.find_element_by_xpath(//div)

submitTag1 = driver.find_element(By.XPATH,//div)

要注意，find_element是获取第一个满足条件的站群服务器元素。find_elements是获取所有满足条件的元素。

四、浏览器操作

from selenium import webdriver

# 实例化浏览器

c = webdriver.Chrome()

# 发送请求

c.get(https://www.baidu.com)1、获取本页面URLc.current_url2、获取日志c.log_types #获取当前日志类型

c.get_log(browser)#浏览器操作日志

c.get_log(driver) #设备日志

c.get_log(client) #客户端日志

c.get_log(server) #服务端日志

##3.窗口操作

c.maximize_window()#最大化

c.fullscreen_window() #全屏

c.minimize_window() #最小化

c.get_window_position() #获取窗口的坐标

c.get_window_rect()#获取窗口的大小和坐标

c.get_window_size()#获取窗口的大小

c.set_window_position(100,200)#设置窗口的坐标

c.set_window_rect(100,200,32,50) #设置窗口的大小和坐标

c.set_window_size(400,600)#设置窗口的大小

c.current_window_handle #返回当前窗口的句柄

c.window_handles #返回当前会话中的所有窗口的句柄3、设置延时c.set_script_timeout(5) #设置脚本延时五秒后执行

c.set_page_load_timeout(5)#设置页面读取时间延时五秒4、关闭c.close() #关闭当前标签页

c.quit() #关闭浏览器并关闭驱动5、打印网页源代码c.page_source6、屏幕截图操作c.save_screenshot(1.png)#截图，只支持PNG格式

c.get_screenshot_as_png() #获取当前窗口的截图作为二进制数据

c.get_screenshot_as_base64() #获取当前窗口的截图作为base64编码的字符串

8.前进后退刷新

c.forward() #前进

c.back() #后退

c.refresh()#刷新7、Cookies操作c.get_cookie(BAIDUID) #获取指定键的Cookies

c.get_cookies() #获取所有的Cookies

for y in c.get_cookies():

x=y

if x.get(expiry):

x.pop(expiry)

c.add_cookie(x) #添加Cookies

c.delete_cookie(BAIDUID) #删除指定键的Cookies内容

c.delete_all_cookies() #删除所有cookies

五、操作表单元素

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

使用clear方法可以清除输入框中的香港云服务器内容

inputTag.clear()

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。

rememberTag = driver.find_element_by_name("rememberMe")

rememberTag.click()

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。​

inputTag = driver.find_element_by_id(su)

inputTag.click()

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[1]。

切换iframe

我们知道网页中有一种节点叫作 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打开页面后，默认是在父级 Frame 里面操作，而此时如果页面中还有子 Frame，Selenium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。

接下来通过豆瓣模拟登录来切换iframe，示例如下：

from selenium import webdriver

import time

url = https:www.douban.com

driver = webdriver.Chrome()

driver.get(self.url)

time.sleep(3)

# 定位iframe标签

login_iframe = self.driver.find_element_by_xpath(//*[@id="anony-reg-new"]/div/div[1]/iframe)

# 切换iframe标签

driver.switch_to.frame(login_iframe)

六、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。

actions = ActionChains(driver)

actions.move_to_element(inputTag)

actions.send_keys_to_element(inputTag,python)

actions.move_to_element(submitTag)

actions.context_click()

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

豆瓣模拟登录(定位元素，切换iframe，以及行为链操作)。

from selenium import webdriver

import time

class Douban():

def __init__(self):

self.url = https:www.douban.com

self.driver = webdriver.Chrome()

def login(self):

self.driver.get(self.url)

time.sleep(3)

# 定位iframe标签

login_iframe = self.driver.find_element_by_xpath(//*[@id="anony-reg-new"]/div/div[1]/iframe)

# 切换iframe标签

self.driver.switch_to.frame(login_iframe)

# 第一张截图(登录前)

self.driver.save_screenshot(db1.png)

# 定位密码输入框

self.driver.find_element_by_class_name(account-tab-account).click()

# 输入手机号

self.driver.find_element_by_id(username).send_keys(156xxxxxx26)

# 输入密码

self.driver.find_element_by_id(password).send_keys(.......)

# 点击登录按钮

self.driver.find_element_by_class_name(btn-account).click()

time.sleep(3)

# 第二张截图(登陆后)

self.driver.save_screenshot(db2.png)

def out(self):

调用内建的稀构方法，在程序退出的时候自动调用

类似的还可以在文件打开的时候调用close，数据库链接的断开

self.driver.quit()

if __name__ == __main__:

db = Douban() # 实例化

db.login() # 之后调用登陆方法

七、Selenium页面等待

Cookie操作

获取所有的cookie

cookies = driver.get_cookies()

根据cookie的name获取cookie

value = driver.get_cookie(key)

删除某个cookie

driver.delete_cookie(key)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。

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。driver.implicitly_wait(10)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。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.Chrome()

driver.get("https://www.baidu.com/")

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_elements_located：网页中所有满足条件的元素都加载完毕了。element_to_be_clickable：某个元素是可以点击了。

更多条件请参考：http://selenium-python.readthedocs.io/waits.html

八、打开多窗口和切换页面

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。​

# 打开一个新的页面

driver.execute_script("window.open(url)")

print(driver.current_url)

# 切换到这个新的页面中

driver.switch_to_window(self.driver.window_handles[1])

九、企鹅电竞案例

下面我们用企鹅电竞为案例，演示一下如何使用Selenium爬取数据。

1、打开官网首页：通过分析页面知道全部直播的信息储存在ul(class=livelist-mod resize-list-container-280-livelist-live)下面的li里面。

但是通过测试可以发现这个页面瀑布流布局,他不需要翻页，需要滚到页面底部加载更多数据。所以:

dataNum = int(input(请输入目标直播间数量:)) # 用户决定爬取多少个直播间信息

_single = True

# 做一个死循环

while _single:

items = driver.find_elements_by_xpath("//ul[@class=livelist-mod resize-list-container-280-livelist-live]/li") # 页面的li标签(也就是一个直播间数据)

print(len(items))

if len(items) < dataNum:

# 拖动滚动条至底部

js1 = "document.documentElement.scrollTop=100000"

driver.execute_script(js1)

time.sleep(3) # 因为滚动到页面底部只需要一瞬间,休息3s是为了数据加载完全

else:

_single = False

2、我们要获取的是主题(title)，界面图片链接(pic)，主播名(name)，人气(popu)，类型(types)。

这里我们只爬取了600条数据,但是让页面加载800条数据,因为这个页面加载不完全,也就是他最后面展示的数据不会显示出来(只要使用滚轮滚到底部,由于数据加载,滚轮就会往上一点,这样页面显示的数据是没有完全加载出来)。items = driver.find_elements_by_xpath("//ul[@class=livelist-mod resize-list-container-280-livelist-live]/li")

print(len(items))

info_list = []

for item in items[:600]:

dic = { }

name = item.find_element_by_xpath("./a/div[2]/p").text # 主播名字

popularity = item.find_element_by_xpath("./a/div[2]/span").text # 人气

title = item.find_element_by_xpath(./a/h4/span[1]).text # 主题

types = item.find_element_by_xpath(./a/h4/span[2]).text # 类型

pic = item.find_element_by_xpath(./a/div[1]/img).get_attribute(src) # 图片链接

picLink = https: + pic

dic[name] = name

dic[popu] = popularity

dic[title] = title

dic[type] = types

dic[pic] = picLink

print(dic)

info_list.append(dic)

3、数据提取

这里我们把数据保存到一个csv文件中。

head = [name,popu,title,type,pic]

with open(qiee.csv, w, encoding=utf-8, newline=) as f:

writer = csv.DictWriter(f, head)

writer.writeheader()

writer.writerows(info_list)

print(写入成功)

4、运行程序

开始：

结尾：

然后我们看下csv文件：

成功爬取到了想要的数据。

很赞哦!（117）