Python爬虫基础之Selenium详解

1. Selenium简介

Selenium 是一个用于 Web 应用程序测试的工具。最初是为网站自动化测试而开发的，可以直接运行在浏览器上，支持的浏览器包括 IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera 和 Edge 等。
爬虫中使用它是为了解决 requests 无法直接执行 JavaScript 代码的问题。Selenium 本质上是通过驱动浏览器，彻底模拟浏览器的操作，好比跳转、输入、点击、下拉等，来拿到网页渲染之后的结果。Selenium 是 Python 的一个第三方库，对外提供的接口能够操作浏览器，从而让浏览器完成自动化的操作。

2. 为什么使用Selenium？

Selenium 能模拟浏览器功能自动执行网页中的 JavaScript 代码，实现动态加载。

3. Selenium的安装

谷歌浏览器驱动下载地址：https://registry.npmmirror.com/binary.html?path=chromedriver/
查看自己谷歌浏览器的版本，我这里的版本是正式版本116.0.5845.188，驱动下载地址最新的只有114.0.5735.90，所以只能去官网的测试页面下载118.0.5993.70版本的驱动（https://googlechromelabs.github.io/chrome-for-testing/#stable，版本向下兼容），然后把下载的压缩包解压，将exe文件放入 PyCharm 项目的根目录下。
之后执行pip install selenium命令，安装 selenium 库。

4. Selenium的使用

from selenium import webdriver

# 创建浏览器操作对象
path = 'chromedriver.exe'
browser= webdriver.Chrome(path)

# 访问网站
url = 'https://www.baidu.com'

browser.get(url)
# content = browser.page_source
# print(content)

需要注意的是，如果你的 selenium 是4.11.2以上的版本，不需要设置driver.exe的路径，selenium 可以自己处理浏览器的驱动程序，因此代码直接改为brower = webdriver.Chrome()即可。
运行代码，得到下面的效果：

5. Selenium的元素定位

自动化工具要做的就是模拟鼠标和键盘来操作点击、输入等等元素，但是操作这些元素的前提是找到它们，WebDriver 提供了很多元素定位的方法：

根据标签 id 获取元素：

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser= webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

button = browser.find_element(By.ID, 'su')
# button = browser.find_elements(By.ID, 'su')
print(button)

根据标签 name 属性的值获取元素：

button = browser.find_element(By.NAME, 'wd')
print(button)

根据 Xpath 语句获取元素；

button = browser.find_element(By.XPATH, '//input[@id="su"]')
print(button)

根据标签名获取元素：

button = browser.find_elements(By.TAG_NAME, 'input')
print(button)

根据 bs4 语法获取元素：

button = browser.find_elements(By.CSS_SELECTOR, '#su')
print(button)

根据标签的文本获取元素（精确定位）：

button = browser.find_elements(By.LINK_TEXT, '地图')
print(button)

根据标签的文本获取元素（模糊定位）：

button = browser.find_elements(By.PARTIAL_LINK_TEXT, '地')
print(button)

根据 class 属性获取元素：

button = browser.find_element(By.CLASS_NAME, 'wrapper_new')
print(button)

当我们定位到元素之后，自然就要考虑如何获取到元素的各种信息，selenium 给我们提供了获取元素不同信息的方法：

获取元素属性：

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser= webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

button = browser.find_element(By.ID, 'su')
print(input.get_attribute('class'))

获取元素标签名：

input = browser.find_element(By.ID, 'su')
print(input.tag_name)

获取元素文本：

input = browser.find_element(By.ID, 'su')
print(input.text)

获取元素位置：

input = browser.find_element(By.ID, 'su')
print(input.location)

获取元素大小：

input = browser.find_element(By.ID, 'su')
print(input.size)

6. Selenium的交互

页面交互指的是我们平时在浏览器上的各种操作，比如输入文本、点击链接、回车、下拉框等，下面就演示 selenium 是如何进行页面交互的。

输入文本：

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser = webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

# 定位输入框
input = browser.find_element(By.ID, 'kw')
# 输入文本selenium
input.send_keys('selenium')
time.sleep(2)

# 关闭浏览器
browser.close()

点击：

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser = webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

# 定位输入框
input = browser.find_element(By.ID, 'kw')
# 输入文本selenium
input.send_keys('selenium')
time.sleep(2)

# 定位百度一下的按钮
button = browser.find_element(By.ID, 'su')
# 点击按钮
button.click()
time.sleep(2)

# 关闭浏览器
browser.close()

清除文本：

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser = webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

# 定位输入框
input = browser.find_element(By.ID, 'kw')
# 输入文本selenium
input.send_keys('selenium')
time.sleep(2)

# 清除selenium
input.clear()
time.sleep(2)

# 关闭浏览器
browser.close()

回车确认：

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser = webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

# 定位输入框
input = browser.find_element(By.ID, 'kw')
# 输入文本selenium
input.send_keys('selenium')
time.sleep(2)

# 回车查询
input.submit()
time.sleep(2)

# 关闭浏览器
browser.close()

运行 JavaScript：

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser = webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

# 定位输入框
input = browser.find_element(By.ID, 'kw')
# 输入文本selenium
input.send_keys('selenium')
time.sleep(2)

# 回车查询
input.submit()
time.sleep(2)

# js代码
js_bottom = 'document.documentElement.scrollTop=100000'
# 下拉进度条，页面滑动
browser.execute_script(js_bottom)
time.sleep(2)

# 关闭浏览器
browser.close()

前进后退

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

# 创建浏览器操作对象
# path = 'chromedriver.exe'
browser = webdriver.Chrome()

# 访问网站
url = 'https://www.baidu.com'
browser.get(url)

# 定位输入框
input = browser.find_element(By.ID, 'kw')
# 输入文本selenium
input.send_keys('selenium')
time.sleep(2)

# 回车查询
input.submit()
time.sleep(2)

# js代码
js_bottom = 'document.documentElement.scrollTop=100000'
# 页面滑动
browser.execute_script(js_bottom)
time.sleep(2)

# 定位下一页的按钮
next = browser.find_element(By.XPATH, '//a[@class="n"]')
# 点击下一页
next.click()
time.sleep(2)

# 返回到上一页面
browser.back()
time.sleep(2)

# 前进到下一页
browser.forward()
time.sleep(2)

# 关闭浏览器
browser.close()

7. Chrome handless

在上面的测试过程中可以发现，虽然 selenium 简便好用，但是它的运行速度很慢，这是因为 selenium 是有界面的，需要执行前端 css 和 js 的渲染。那么下面就介绍一个无界面的浏览器，Chrome-handless 模式，运行效率要比真实的浏览器快很多，在 selenium 的基础上，支持页面元素查找、js 执行等，代码和 selenium 一致。
使用前提：

Chrome
- Unix\Linux chrome >= 59
- Windows chrome >= 60
Python >= 3.6
Selenium >= 3.4.*

from selenium import webdriver

def share_browser():
    # headless自带配置，不需要再做额外的修改
    from selenium.webdriver.chrome.options import Options
    # 初始化
    chrome_options = Options()
    chrome_options.add_argument('‐‐headless')
    chrome_options.add_argument('‐‐disable‐gpu')
    # 谷歌浏览器的安装路径
    path = r'C:\Users\\AppData\Local\Google\Chrome\Application\chrome.exe'
    chrome_options.binary_location = path
    browser = webdriver.Chrome(options=chrome_options)
    return browser

browser = share_browser()
url = 'https://www.baidu.com'
browser.get(url)

# 本地保存照片
browser.save_screenshot('baidu.png')

参考文献

【1】http://www.noobyard.com/article/p-boitcibx-g.html
【2】https://www.jb51.net/article/149145.htm
【3】https://zhuanlan.zhihu.com/p/462460461
【4】https://blog.csdn.net/weixin_67553250/article/details/127555724
【5】https://www.cnblogs.com/Summer-skr–blog/p/11491078.html
【6】https://www.bilibili.com/video/BV1Db4y1m7Ho?p=77