使用Selenium抓取网页动态内容

Selenium 介绍

Selenium 是一个自动化测试工具，支持多种浏览器，包括 Chrome、Firefox、Edge 等，具有强大的浏览器自动化能力，可以用于Web应用程序的自动化测试、数据挖掘等领域。Selenium的主要特点有以下。

支持多种浏览器

Selenium支持多种浏览器，包括Chrome、Firefox、Edge、Safari等，可以满足不同用户的需求。

多种编程语言支持

Selenium支持多种编程语言，如Python、Java、Ruby等，用户可以选择自己熟悉的编程语言进行开发。

自动化表单填写、模拟点击、页面滚动等操作

使用Selenium，用户可以自动化进行表单填写、模拟点击、页面滚动等操作，可以大大提高工作效率。

处理JavaScript、Ajax、动态页面等特殊情况

Selenium可以处理JavaScript、Ajax、动态页面等特殊情况，可以更好地模拟用户行为。

模拟用户行为，处理弹窗、Alert等特殊情况

Selenium可以模拟用户行为，如鼠标移动、键盘输入等，并可以处理弹窗、Alert等特殊情况，可以更加贴近真实用户的使用情况。

使用 Selenium

安装

如果你使用的是 Python，可以通过 pip 安装 Selenium：

pip install selenium

同时还需要安装浏览器驱动，比如 Chrome 驱动，可以从官方网站下载。下载后解压缩，把 chromedriver.exe 文件放到 Python 的安装目录下即可，例如 C:\Python39。

基本操作

通过 Selenium 可以模拟用户在浏览器中的行为，例如打开指定的网页、填写表单、点击按钮等。下面的代码演示了如何使用 Selenium 打开百度首页，并在搜索框中输入“Python”，然后点击“百度一下”按钮，最后截屏保存结果。

from selenium import webdriver

# 创建 Chrome 浏览器对象
browser = webdriver.Chrome()

# 加载页面
browser.get('<https://www.baidu.com>')

# 找到搜索框并输入关键字
kw_input = browser.find_element_by_id('kw')
kw_input.send_keys('Python')

# 找到“百度一下”按钮并点击
su_button = browser.find_element_by_id('su')
su_button.click()

# 截屏并保存结果
browser.get_screenshot_as_file('baidu_result.png')

# 关闭浏览器
browser.quit()

等待页面元素

在使用 Selenium 时，我们需要注意网页中的元素可能是动态生成的，在我们使用find_element或find_elements方法获取的时候，可能还没有完成渲染，这时会引发NoSuchElementException错误。为了解决这个问题，我们可以使用隐式等待的方式，通过设置等待时间让浏览器完成对页面元素的渲染。除此之外，我们还可以使用显示等待，通过创建WebDriverWait对象，并设置等待时间和条件，当条件没有满足时，我们可以先等待再尝试进行后续的操作，具体的代码如下所示。

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions
from selenium.webdriver.support.wait import WebDriverWait

# 创建 Chrome 浏览器对象
browser = webdriver.Chrome()

# 加载页面
browser.get('<https://www.baidu.com>')

# 设置隐式等待时间为10秒
browser.implicitly_wait(10)

# 找到搜索框并输入

元素定位

在使用Selenium时，元素定位是非常重要的操作。通过元素定位，可以找到需要操作的元素，并进行后续的操作。Selenium支持多种元素定位方式，如下所示：

ID

elem = driver.find_element_by_id("id")

Name

elem = driver.find_element_by_name("name")

Class Name

elem = driver.find_element_by_class_name("class")

Tag Name

elem = driver.find_element_by_tag_name("tag")

Link Text

elem = driver.find_element_by_link_text("text")

Partial Link Text

elem = driver.find_element_by_partial_link_text("text")

CSS Selector

elem = driver.find_element_by_css_selector("selector")

XPath

elem = driver.find_element_by_xpath("xpath")

API参考

Selenium提供了丰富的API，使得用户可以灵活地进行自动化测试和数据挖掘等操作。下面是一些常用的API：

WebDriver API

WebDriver API是Selenium的核心API，提供了浏览器控制相关的操作。常用方法如下所示：

get(url)

加载指定的URL。

browser.get('<http://www.baidu.com>')

back()

返回上一页。

browser.back()

forward()

前进到下一页。

browser.forward()

refresh()

刷新当前页面。

browser.refresh()

close()

关闭当前窗口。

browser.close()

quit()

退出浏览器。

browser.quit()

WebElement API

WebElement API提供了对页面元素的操作。常用方法如下所示：

click()

点击元素。

elem = browser.find_element_by_id('button')
elem.click()

send_keys()

向元素发送文本。

elem = browser.find_element_by_id('input')
elem.send_keys('Hello, World!')

clear()

清空元素文本。

elem = browser.find_element_by_id('input')
elem.clear()

get_attribute(name)

获取元素的属性值。

elem = browser.find_element_by_id('input')
attr_value = elem.get_attribute('name')

is_displayed()

判断元素是否对于用户可见。

elem = browser.find_element_by_id('input')
is_visible = elem.is_displayed()

is_enabled()

判断元素是否处于可用状态。

elem = browser.find_element_by_id('button')
is_enabled = elem.is_enabled()

is_selected()

判断元素（单选框和复选框）是否被选中。

elem = browser.find_element_by_id('checkbox')
is_selected = elem.is_selected()

value_of_css_property(property_name)

获取指定的CSS属性值。

elem = browser.find_element_by_id('button')
color = elem.value_of_css_property('color')

find_element(by=By.ID, value=None)

获取单个子元素。

elem = browser.find_element(By.CSS_SELECTOR, '.item')

find_elements(by=By.ID, value=None)

获取一系列子元素。

elems = browser.find_elements(By.CSS_SELECTOR, '.items')

screenshot(filename)

为元素生成快照。

elem = browser.find_element_by_id('input')
elem.screenshot('input.png')

简单案例

下面的例子演示了如何使用 Selenium 从“360图片”网站搜索和下载图片。

import os
import time
from concurrent.futures import ThreadPoolExecutor
import requests
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

DOWNLOAD_PATH = 'images/'

def download_picture(picture_url: str):
    """
    下载保存图片
    :param picture_url: 图片的URL
    """
    filename = picture_url[picture_url.rfind('/') + 1:]
    resp = requests.get(picture_url)
    with open(os.path.join(DOWNLOAD_PATH, filename), 'wb') as file:
        file.write(resp.content)

if not os.path.exists(DOWNLOAD_PATH):
    os.makedirs(DOWNLOAD_PATH)
browser = webdriver.Chrome()
browser.get('<https://image.so.com/z?ch=beauty>')
browser.implicitly_wait(10)
kw_input = browser.find_element(By.CSS_SELECTOR, 'input[name=q]')
kw_input.send_keys('苍老师')
kw_input.send_keys(Keys.ENTER)
for _ in range(10):
    browser.execute_script(
        'document.documentElement.scrollTop = document.documentElement.scrollHeight'
    )
    time.sleep(1)
imgs = browser.find_elements(By.CSS_SELECTOR, 'div.waterfall img')
with ThreadPoolExecutor(max_workers=32) as pool:
    for img in imgs:
        pic_url = img.get_attribute('src')
        pool.submit(download_picture, pic_url)

运行上面的代码，检查指定的目录下是否下载了根据关键词搜索到的图片。

综上所述，Selenium是一款强大的自动化测试工具，可以用于Web应用程序的自动化测试、数据挖掘等领域。通过掌握Selenium的使用方法和API参考，你可以更加高效地进行自动化测试和数据挖掘等操作，提高工作效率。