Python爬虫-Selenium(1)

@(博客)[python, 爬虫, selenium, Python]

Python爬虫-Selenium(1)
- 前言
- 前期准备
- 基础使用
- 进阶使用
  - 浏览器操作
  - 节点操作
  - 等待
  - 异常
  - cookies
- 其他设置
  - 禁止提示
  - 禁止加载图片
  - 无头设置
- 实战新浪微博
  - 要求
  - 注意
  - 效果
  - 问题

前言

如果一定要说什么东西会记忆犹新、历久弥新的话，恐怕于我来说，是绕不过“2a分之-b正负根号下b平方-4ac”了。这个万能公式，尽管在一定条件下会让计算变得复杂，但学生们也包括过去的我在内，大都对此心爱不已——毕竟少了许多动脑筋的麻烦事儿。

而在爬虫界，也有这么一个可以让人少动脑筋的万能公式，我们不必考虑需要设置哪些cookies，也不用考虑提交动态的uuid，token等等。它不是不存在缺点，效率会有些低，这向来被人诟病。可偏有人爱装×，你说他爬取个业余用来娱乐的数据，总共恐怕千条不足百条有余，几秒的时间差对他来说真的重要吗？

方法无罪，因地制宜。
它就是selenium+chrome。

前期准备

selenium是一个自动化的库，其实可以连接很多浏览器，包括谷歌，火狐，苹果以及PhantomJS，但我这里只以chrome为例。而且，现在用PhantomJS要被Python警告，主要是官方不支持了

安装库：pip install selenium
谷歌驱动：chromedriver 2.41 （对应浏览器版本v67-69，需要科学上网才能下载，也可以去我的CSDN下载，提供win,linux,mac三个版本）

下载之后，建议将驱动放到python目录下的Scripts下面（仅针对win用户），这样一来就不用指明驱动的路径即可使用

基础使用

from selenium import webdriver# 实例化一个浏览器
browser = webdriver.Chrome()
# 访问百度
browser.get("https://www.baidu.com")
# 退出浏览器
browser.quit()

一切顺利，就能看到浏览器自动打开，并且跳转到百度网页，之后又自动退出，效果如下：

那么，要是我们想通过自动化程序来搜索可不可以呢？答案是当然的。这里就需要找到节点，selenium提供以下多种选择节点的方法：

find_element_by_id 通过id定位
find_element_by_name 通过name定位
find_element_by_link_text通过a标签中的文本定位
find_element_by_partial通过a标签中的部分文本定位（类似于模糊查询）
find_element_by_tag_name通过标签名定位
find_element_by_class_name通过类名定位
find_element_by_xpath 通过xpath规则
find_element_by_css_selector 通过css选择器

这里我们完全可以用老相识，也就是最后两个方法来寻找节点（我也建议用常用最后两个方法）

首先通过开发者工具审查元素，找到搜索框

既然是要查询，自然也得找到百度一下这个按钮的节点，以便我们click一下

from selenium import webdriverbrowser = webdriver.Chrome()
browser.get("https://www.baidu.com")# 找到搜索框，并输入内容
browser.find_element_by_css_selector("#kw").send_keys("有关心情 CSDN")
# 找到按钮，并且点击一下
browser.find_element_by_css_selector("#su").click()

效果如下：

也就是说，selenium提供了send_keys()方法用于输入，click()方法用于点击

进阶使用

浏览器操作

selenium十分强大，提供了许多方法，以至于可以完全模拟人的行为；由于简单，就不一一演示，直接罗列了：

browser.back() 前进
browser.forward() 后退
browser.save_screenshot("1.png") 保存截图
browser.title 获取网页标题
browser.current_url 获取当前url地址
browser.close() 关闭当前网页（当只有一个页面的时候，会关掉浏览器）；而quit()方法是直接关掉浏览器

节点操作

我们也可以通过selenium直接提取数据

前面我们查找节点的时候，都是用的find_element_by...，通过这种方式，只会返回一个节点，如果需要的是多个节点，则得加上一个s，即：find_elements_by...，以list类型返回

from selenium import webdriverbrowser = webdriver.Chrome()
browser.get("http://www.cnblogs.com/youguanxinqing/")# 寻找class=postTitle的节点
nodes = browser.find_elements_by_css_selector(".postTitle")
# 取出每个节点
for node in nodes:# 通过取出来的节点找寻它包含的标签为a的节点，并取出文本title = node.find_element_by_tag_name("a").textprint("【{0}】".format(title))browser.quit()

运行结果如下：

当然，我们也可以取出源码，再用我们熟悉的XPath或者美丽汤，或者pyquery来解析数据，方法为browser.page_source
selenium的一大特色是，取出来的源码是经过js脚本渲染之后的代码，这一来使得我们获取数据更加容易

其他方法：

节点.id 获取标签id值
节点.location 获取标签位置
节点.tag_name 获取标签名
节点.size 获取标签大小；以字典方式返回如：{‘height’: 45, ‘width’: 61}
节点.get_attribute() 获取标签的属性值；如需要class值：节点.get_attribute("class")

等待

很可能网速，或者我们电脑太卡的缘故，使得渲染速度太慢，就可能发生某个标签还未通过js脚本渲染，而我们的爬虫程序已经执行到寻找这个标签的语句了，这个时候程序就报错，告诉我们没有这样的标签。selenium也帮我们想到了这个问题

（1）隐式等待：当selenium第一次寻找某个节点没有找到时，它将继续等待，直到设置的时间到了再去找，如果还没找到，报错。代码如下：

from selenium import webdriverdriver = webdriver.Chrome()
browser.implicitly_wait(10) # 参数单位：秒
...

==这是一个针对全局的设置，在每一次寻找节点失败的时候，都会固定不变的等待一段时间，直到程序结束（正常结束或者异常结束）==

（2）显式等待：显式比隐式等待灵活许多。它的工作机制是，在最长等待时间之内，定期去看看节点出现没，出现了，程序继续往下走；没出现，就再等一会；直到设置的最长时间到了，程序报错TimeoutException

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 ECbrowser = webdriver.Chrome()
browser.get("https://www.taobao.com/")
wait = WebDriverWait(browser, 10) # 实例一个等待对象，最长等待10秒try:# 等待id为q的标签出现inputTag = wait.until(EC.presence_of_element_located((By.ID, "q")))# 等待能够点击的标签出现（By.CSS_SELECTOR表示使用css选择器）btnTag = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ".btn-search")))
# 没等到之后的操作
except:...
# 等到之后的操作
else:...

异常

当我们需要捕获异常的时候，需要导入对应的异常，如：
from selenium.common.exceptions import TimeoutException, NoSuchElementException

cookies

我们也可以获取、添加、删除浏览器中的Cookies
- browser.get_cookies() 以list类型返回
- browser.add_cookies({...})
- browser.delete_all_cookies()

其他设置

禁止提示

有时候浏览器有如下这样的提示出现，我们可以设置禁止

chrome_options = webdriver.ChromeOptions()prefs = {"profile.default_content_setting_values": {'notifications': 2} # 禁止浏览器提示
}
chrome_options.add_experimental_option("prefs", prefs)browser = webdriver.Chrome(chrome_options=chrome_options)
...

禁止加载图片

有时候我们为了让爬虫效率，也可以禁止浏览器加载图片以达增快渲染速度

chrome_options = webdriver.ChromeOptions()
prefs = {"profile.managed_default_content_setting.images": 2}
chrome_options.add_experimental_option("prefs", prefs)browser = webdriver.Chrome(chrome_options=chrome_options)
...

无头设置

我们每一次运行，浏览器都会弹出来，事实上除了调试，没有谁会愿意它跑出来“丢人现眼”，所以我们可以设置无头运行（也就是无界面运行）

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument("--headless")browser = webdriver.Chrome(chrome_options=chrome_options)

实战新浪微博

需要说明的是，经过渲染之后的网页数据，会夹杂许多杂志，增加清洗数据的难度。这里之所以用selenium+chrome的方法来爬取新浪微博，只为练习。事实上，如果数据并不庞大，调用新浪提供的免费接口，或者访问APP的数据源，都是更好的选择。这里不做延伸

要求

这里我选择爬取的是我喜欢的一个作家，落落的微博，需要提取的数据如下所示：

要求1：发布时间，发布设别，微博正文，图片链接，转发数，评论数，点赞数
要求2：将这些数据存入mongodb中
要求3：下载获取到的图片链接（我这里选择的是封面图片，而不是高清大图）

注意

整个过程中需要注意的地方：
注意1：微博每页的数据并非直接全部呈现，当内容比较多时，需要下拉滑动条进行数据的加载

控制浏览器下拉代码：

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

（实际是执行了js语句）

注意2：尽管显示微博页数只有32，但当你访问page=100的时候，依然可以得到渲染后的页面，只是这个页面没有数据

我做了最笨也是最简单的处理，以页数作为循环次数

for page in range(1, PAGE+1):...

注意3：当转发或者评论或者点赞为0的时候，微博直接显示文字

我是通过正则来清洗的数据，因为这样看起来会有些高大上（逃。。。）

tmp = filter(lambda y: y, [re.search(r"\d+|[\u4e00-\u9fa5]+", x) for x in data["TCPCol"]])tmp = [i.group() for i in list(tmp)]
tmp.pop(0)
data["transNum"], data["comNum"], data["praNum"] = [int(i) if re.match(r"\d+", i) else 0 for i in tmp]

效果

程序运行效果如下：

插入mongodb数据格式如下：

本地保存图片如下：

问题

其中我遇到一个问题，程序已经能够正常运行，然而添加无头设置之后会报错，编译器提示元素不可见。暂时我还没能解决这个问题，之后我会好好研究，或者，要不你们告诉告诉我嘛【装可爱脸.jpg】

完整代码已上传GitHub，点击可查看