【14】Selenium的基本使用

此时解决方法通常有两种，一种是深挖其中的逻辑，把其中 token 的构造逻辑完全找出来，再用 Python 复现，构造 Ajax 请求；另外一种方法就是直接通过模拟浏览器的方式，绕过这个过程。因为在浏览器里面我们是可以看到这个数据的，如果能直接把看到的数据爬取下来，当然也就能获取对应的信息了。

由于第 1 种方法难度较高，在这里我们就先介绍第 2 种方法**，模拟浏览器爬取**。

这里使用的工具为Selenium，我们先来了解一下 Selenium 的基本使用方法吧。

Selenium 是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，如点击、下拉等操作，同时还可以获取浏览器当前呈现的页面源代码，做到可见即可爬。对于一些使用 JavaScript 动态渲染的页面来说，此种抓取方式非常有效。

一、准备工作

以 Chrome 为例来讲解 Selenium 的用法。在开始之前，请确保已经正确安装好了 Chrome 浏览器并配置好了 ChromeDriver。另外，还需要正确安装好 Python 的 Selenium 库。

安装过程可以参考：https://cuiqingcai.com/5135.html【[https://zhuanlan.zhihu.com/p/657653897](https://zhuanlan.zhihu.com/p/657653897 "https://zhuanlan.zhihu.com/p/657653897")】和 https://cuiqingcai.com/5141.html。

二、基本使用

准备工作做好之后，首先来看一下 Selenium 有一些怎样的功能。示例如下：

python 复制代码

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait

# 启动浏览器
browser = webdriver.Chrome()

try:
    # 访问百度首页
    browser.get('https://www.baidu.com')

    # 找到搜索框，并输入 "Python"
    search_input = browser.find_element(By.ID, 'kw')
    search_input.send_keys('Python')
    search_input.send_keys(Keys.ENTER)

    # 等待搜索结果加载
    wait = WebDriverWait(browser, 10)
    wait.until(EC.presence_of_element_located((By.ID, 'content_left')))

    # 打印相关信息
    print("当前 URL:", browser.current_url)
    print("Cookies:", browser.get_cookies())
    print("页面源码前200字符:", browser.page_source[:200])  # 只打印前200字符，避免输出太长

finally:
    # 关闭浏览器
    browser.quit()

运行代码后会自动弹出一个 Chrome 浏览器，浏览器会跳转到百度，然后在搜索框中输入 Python，接着跳转到搜索结果页，如图所示：

可以看到，当前我们得到的 URL、Cookies 和源代码都是浏览器中的真实内容。

所以说，如果用 Selenium 来驱动浏览器加载网页的话，就可以直接拿到 JavaScript 渲染的结果了，不用担心使用的是什么加密系统。

下面来详细了解一下 Selenium 的用法。

（1）声明浏览器对象

Selenium 支持非常多的浏览器，如 Chrome、Firefox、Edge 等，还有 Android、BlackBerry 等手机端的浏览器。

用如下方式进行初始化：

python 复制代码

from selenium import webdriver

browser = webdriver.Chrome() 

browser = webdriver.Firefox() 

browser = webdriver.Edge() 

browser = webdriver.Safari()

这样就完成了浏览器对象的初始化并将其赋值为 browser 对象。接下来，我们要做的就是调用 browser 对象，让其执行各个动作以模拟浏览器操作。

（2）访问页面

**用 get 方法来请求网页，只需要把参数传入链接 URL 即可。**比如，这里用 get 方法访问淘宝，然后打印出源代码，代码如下：

python 复制代码

from selenium import webdriver

browser = webdriver.Chrome() 

browser.get('https://www.taobao.com') 

print(browser.page_source) 

browser.close()

运行后会弹出 Chrome 浏览器并且自动访问淘宝，然后控制台会输出淘宝页面的源代码，随后浏览器关闭。通过这几行简单的代码，我们就可以驱动浏览器并获取网页源码，非常便捷。

（3）查找节点

Selenium 可以驱动浏览器完成各种操作，比如填充表单、模拟点击等。举个例子，当我们想要完成向某个输入框输入文字的操作时，首先需要知道这个输入框在哪，而 Selenium 提供了一系列查找节点的方法，我们可以用这些方法来获取想要的节点，以便执行下一步动作或者提取信息

提取单个节点

当我们想要从淘宝页面中提取搜索框这个节点，首先要观察它的源代码，如图所示。

可以发现，它的 id 是 q，name 也是 q，此外还有许多其他属性。此时我们就可以用多种方式获取它了。

python 复制代码

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By
# 指定 chromedriver 的路径（请替换为你的实际路径）
driver_path = "E:/chromedriver-win64/chromedriver.exe"  # Windows 示例

# 配置 WebDriver
service = Service(driver_path)
browser = webdriver.Chrome(service=service)
# 启动 Chrome 浏览器
browser = webdriver.Chrome()

try:
    # 访问淘宝首页
    browser.get('https://www.taobao.com')

    # 通过不同方式获取搜索框
    input_first = browser.find_element(By.ID, 'q')
    input_second = browser.find_element(By.CSS_SELECTOR, '#q')
    input_third = browser.find_element(By.XPATH, '//*[@id="q"]')

    print(input_first, input_second, input_third)

finally:
    # 关闭浏览器
    browser.quit()

注意配置webdriver !!

这里我们使用 3 种方式获取输入框，分别是根据 id、CSS 选择器和 XPath 获取，它们返回的结果完全一致。运行结果如下：

python 复制代码

<selenium.webdriver.remote.webelement.WebElement (session="65a281c42bf6f7d00e6026fc58ad8507", element="f.542BA913CEFD058D830635B771C18617.d.8236CBFC79991A34FCDB7C568823EE3F.e.226")> 
 <selenium.webdriver.remote.webelement.WebElement (session="65a281c42bf6f7d00e6026fc58ad8507", element="f.542BA913CEFD058D830635B771C18617.d.8236CBFC79991A34FCDB7C568823EE3F.e.226")> 
 <selenium.webdriver.remote.webelement.WebElement (session="65a281c42bf6f7d00e6026fc58ad8507", element="f.542BA913CEFD058D830635B771C18617.d.8236CBFC79991A34FCDB7C568823EE3F.e.226")>

可以看到，这 3 个节点的类型是一致的，都是 WebElement。

这里列出所有获取单个节点的方法：

多个节点

如果在网页中只查找一个目标，那么完全可以用 find_element 方法。但如果有多个节点需要查找，再用 find_element 方法，就只能得到第 1 个节点了。如果要查找所有满足条件的节点，需要用 find_elements 这样的方法。注意，在这个方法的名称中，element 多了一个 s，注意区分。

EG：使用 Selenium 自动化操作浏览器，打开淘宝网站，并查找指定的 <li> 列表项，然后输出它们的文本内容。

python 复制代码

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By

# 指定 chromedriver 的路径（请替换为你的实际路径）
driver_path = "E:/chromedriver-win64/chromedriver.exe"  # Windows 示例

# 配置 WebDriver
service = Service(driver_path)
browser = webdriver.Chrome(service=service)

# 访问淘宝
browser.get('https://www.taobao.com')

# 查找所有符合 CSS 选择器的 <li> 元素
li_elements = browser.find_elements(By.CSS_SELECTOR, '.service-bd--LdDnWwA9 > li')

# 遍历并打印所有元素的文本
for li in li_elements:
    print(li,'\n')
    print(li.text)
# 关闭浏览器
browser.quit()

运行结果如下：

可以看到，得到的内容变成了列表类型，列表中的每个节点都是 WebElement 类型。用 find_element 方法，只能获取匹配的第一个节点，结果是 WebElement 类型。如果用 find_elements 方法，则结果是列表类型，列表中的每个节点是 WebElement 类型。

这里列出所有获取多个节点的方法：

（4）执行 JavaScript

在 Selenium 自动化测试中，有时需要执行 JavaScript 代码来完成某些操作，例如：

滚动页面
修改页面元素
触发特定事件
获取隐藏数据

Selenium API 并没有提供实现某些操作的方法，比如，下拉进度条。但它可以直接模拟运行 JavaScript，此时使用 execute_script 方法即可实现，代码如下：

python 复制代码

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By

driver_path = "E:/chromedriver-win64/chromedriver.exe"

service = Service(driver_path)
browser = webdriver.Chrome(service=service)
browser.get('https://www.zhihu.com/explore')

# 使用滚动高度获取方式
browser.execute_script(
    'window.scrollTo(0, document.documentElement.scrollHeight)'
)

# 执行弹窗操作验证脚本执行成功
browser.execute_script('alert("已滚动到底部")')

利用 execute_script 方法将进度条下拉到最底部，然后弹出 alert 提示框。

三、获取节点信息

之前我们通过 page_source 属性可以获取网页的源代码，接着就可以使用解析库（如正则表达式、Beautiful Soup、pyquery 等）来提取信息了；但是Selenium 已经提供了选择节点的方法，并且返回的是 WebElement 类型，那么它也有相关的方法和属性来直接提取节点信息，如属性、文本等。这样的话，我们就可以不用通过解析源代码来提取信息了，非常方便。

接下来，我们就来看看可以通过怎样的方式来获取节点信息吧。

（1）获取属性

如果我们要获取这个图片的url

python 复制代码

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By

driver_path = "E:/chromedriver-win64/chromedriver.exe"

service = Service(driver_path)
browser = webdriver.Chrome(service=service)
# 获取属性
url = 'https://spa2.scrape.center/'
browser.get(url)
logo = browser.find_element(By.CLASS_NAME, 'logo-image')
print(logo)
print(logo.get_attribute('src'))

运行结果：

python 复制代码

<selenium.webdriver.remote.webelement.WebElement (session="352d13daa38ac21ab5ce24139ab02e3e", element="f.28BAB176050C9E1280629396F77A2B35.d.34B450BDA40D6FB4FF72E23E01267343.e.27")>
https://spa2.scrape.center/img/logo.a508a8f0.png

运行之后，程序便会驱动浏览器打开该页面，然后获取 class 为 logo-image 的节点，最后打印出它的 src 属性。

（2）获取文本值

每个 WebElement 节点都有 text 属性，直接调用这个属性就可以得到节点内部的文本信息，这相当于 pyquery 的 text 方法，示例如下：

python 复制代码

url = 'https://spa2.scrape.center/'

browser.get(url)

input =  browser.find_element(By.CLASS_NAME, 'logo-title')

print(input.text)

里依然先打开页面，然后获取 class 为 logo-title 这个节点，再将其文本值打印出来。

（3）获取 ID、位置、标签名、大小

WebElement 节点还有一些其他属性，比如 id 属性可以获取节点 id，location 属性可以获取该节点在页面中的相对位置，tag_name 属性可以获取标签名称，size 属性可以获取节点的大小，也就是宽高，这些属性有时候还是很有用的。示例如下：

python 复制代码

url = 'https://spa2.scrape.center/'

browser.get(url)

input =  browser.find_element(By.CLASS_NAME, 'logo-title')

print(input.text)
print(input.id)
print(input.location)
print(input.tag_name)
print(input.size)

首先获得 class 为 logo-title 这个节点，然后调用其 id、location、tag_name、size 属性来获取对应的属性值

四、切换 Frame

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。示例如下：

python 复制代码

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

driver_path = "E:/chromedriver-win64/chromedriver.exe"

service = Service(driver_path)
browser = webdriver.Chrome(service=service)

url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'

browser.get(url)

browser.switch_to.frame('iframeResult')

try:
    logo = browser.find_element(By.CLASS_NAME, 'logo')
except NoSuchElementException:
    print('NO LOGO')

browser.switch_to.parent_frame()

logo = browser.find_element(By.CLASS_NAME, 'logo')

print(logo)
print(logo.text)

python 复制代码

NO LOGO
<selenium.webdriver.remote.webelement.WebElement (session="8c818bd8916cca8eba1c3827d31792df", element="f.174552C0B56B57717AEFFF9397CF5505.d.15A3FF5E7EB4673677C415923734D949.e.475")>

所以，当页面中包含子 Frame 时，如果想获取子 Frame 中的节点，需要先调用 switch_to.frame 方法切换到对应的 Frame，然后再进行操作。

五、延时等待

在 Selenium 中，get 方法会在网页框架加载结束后结束执行，此时如果获取 page_source，可能并不是浏览器完全加载完成的页面，如果某些页面有额外的 Ajax 请求，我们在网页源代码中也不一定能成功获取到。所以，这里需要延时等待一定时间，确保节点已经加载出来。

这里等待的方式有两种：一种是隐式等待，一种是显式等待。

（1）隐式等待

当使用隐式等待执行测试的时候，如果 Selenium 没有在 DOM 中找到节点，将继续等待，超出设定时间后，则抛出找不到节点的异常。换句话说，隐式等待可以在我们查找节点而节点并没有立即出现的时候，等待一段时间再查找 DOM，默认的时间是 0。示例如下：

（2）显式等待

隐式等待的效果其实并没有那么好，因为我们只规定了一个固定时间，而页面的加载时间会受到网络条件的影响。

这里还有一种更合适的显式等待方法，它指定要查找的节点，然后指定一个最长等待时间。如果在规定时间内加载出来了这个节点，就返回查找的节点；如果到了规定时间依然没有加载出该节点，则抛出超时异常。示例如下：

python 复制代码

from selenium.webdriver.support.ui import WebDriverWait

from selenium.webdriver.support import expected_conditions as EC


browser.get('https://www.taobao.com/')

wait = WebDriverWait(browser, 10)

input = wait.until(EC.presence_of_element_located((By.ID, 'q')))

button =  wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))

print(input, button)

这里首先引入 WebDriverWait 这个对象，指定最长等待时间，然后调用它的 until() 方法，传入要等待条件 expected_conditions。比如，这里传入了 presence_of_element_located 这个条件，代表节点出现，其参数是节点的定位元组，也就是 ID 为 q 的节点搜索框。

这样做的效果就是，在 10 秒内如果 ID 为 q 的节点（即搜索框）成功加载出来，就返回该节点；如果超过 10 秒还没有加载出来，就抛出异常。

对于按钮，我们可以更改一下等待条件，比如改为 element_to_be_clickable，也就是可点击，所以查找按钮时先查找 CSS 选择器为.btn-search 的按钮，如果 10 秒内它是可点击的，也就代表它成功加载出来了，就会返回这个按钮节点；如果超过 10 秒还不可点击，也就是没有加载出来，就抛出异常。

现在我们运行代码，它在网速较佳的情况下是可以成功加载出来的。

python 复制代码

<selenium.webdriver.remote.webelement.WebElement 

(session="07dd2fbc2d5b1ce40e82b9754aba8fa8", 

element="0.5642646294074107-1")>

<selenium.webdriver.remote.webelement.WebElement 

(session="07dd2fbc2d5b1ce40e82b9754aba8fa8", 

element="0.5642646294074107-2")>

可以看到，控制台成功输出了两个节点，它们都是 WebElement 类型。

如果网络有问题，10 秒内没有成功加载，那就抛出 TimeoutException 异常，此时控制台的输出如下：

python 复制代码

TimeoutException Traceback (most recent call last) 

<ipython-input-4-f3d73973b223> in <module>()

      7 browser.get('https://www.taobao.com/')

      8 wait = WebDriverWait(browser, 10) 

----> 9 input = wait.until(EC.presence_of_element_located((By.ID, 'q')))

（3）等待条件

关于等待条件，其实还有很多，比如判断标题内容，判断某个节点内是否出现了某文字等。下表我列出了所有的等待条件。

六、前进后退

平常我们使用浏览器时都有前进和后退功能，Selenium 也可以完成这个操作，它使用 back 方法后退，使用 forward 方法前进。示例如下：

python 复制代码

import time

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

browser.get('https://www.taobao.com/')

browser.get('https://www.python.org/')

browser.back()

time.sleep(1)

browser.forward()

browser.close()

这里我们连续访问 3 个页面，然后调用 back 方法回到第 2 个页面，接下来再调用 forward 方法又可以前进到第 3 个页面。

七、Cookies

使用 Selenium，还可以方便地对 Cookies 进行操作，例如获取、添加、删除 Cookies 等。示例如下：

python 复制代码

browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

首先，我们访问知乎，加载完成后，浏览器实际上已经生成 Cookies 了。接着，调用 get_cookies 方法获取所有的 Cookies。然后，我们再添加一个 Cookie，这里传入一个字典，有 name、domain 和 value 等内容。接下来，再次获取所有的 Cookies，可以发现，结果会多出这一项新加的 Cookie。最后，调用 delete_all_cookies 方法删除所有的 Cookies。再重新获取，发现结果就为空了。

控制台的输出如下：

python 复制代码

[{'secure': False, 

'value': '"NGM0ZTM5NDAwMWEyNDQwNDk5ODlkZWY3OTkxY2I0NDY=|1491604091|236e34290a6f407bfbb517888849ea509ac366d0"', 

'domain': '.zhihu.com',

'path': '/', 

'httpOnly': False, 

'name': 'l_cap_id', 

'expiry': 1494196091.403418},...] 

[{'secure': False, 

'value': 'germey', 

'domain': '.www.zhihu.com', 

'path': '/', 

'httpOnly': False, 

'name': 'name'}, 

{'secure': False, 

'value': '"NGM0ZTM5NDAwMWEyNDQwNDk5ODlkZWY3OTkxY2I0NDY=|1491604091|236e34290a6f407bfbb517888849ea509ac366d0"', 

'domain': '.zhihu.com', 

'path':'/', 

'httpOnly': False, 

'name': 'l_cap_id', 

'expiry': 1494196091.403418}, ...] 

[]

八、异常处理

在使用 Selenium 的过程中，难免会遇到一些异常，例如超时、节点未找到等错误，一旦出现此类错误，程序便不会继续运行了。这里我们可以使用 try except 语句来捕获各种异常。

首先，演示一下节点未找到的异常，示例如下：

python 复制代码

browser.get('https://www.baidu.com')
browser.find_element_by_id('hello')

打开百度页面，然后尝试选择一个并不存在的节点hello，此时就会遇到异常。

抛出了异常，通常代表节点未找到。为了防止程序遇到异常而中断，我们需要捕获这些异常，示例如下：

python 复制代码

from selenium.common.exceptions import TimeoutException, NoSuchElementException
try:
    browser.get('https://www.baidu.com')
except TimeoutException:
    print('Time Out')
try:
    browser.find_element(By.ID,'hello')
except NoSuchElementException:
    print('No Element')
finally:
    browser.close()

这里我们使用 try except 来捕获各类异常。比如，我们用 find_element_by_id 查找节点的方法捕获 NoSuchElementException 异常，这样一旦出现这样的错误，就进行异常处理，程序也不会中断了。

控制台的输出如下：

九、反屏蔽

现在很多网站都加上了对 Selenium 的检测，来防止一些爬虫的恶意爬取。即如果检测到有人在使用 Selenium 打开浏览器，那就直接屏蔽。

其大多数情况下，检测基本原理是检测当前浏览器窗口下的 window.navigator 对象是否包含 webdriver 这个属性。因为在正常使用浏览器的情况下，这个属性是 undefined，然而一旦我们使用了 Selenium，Selenium 会给 window.navigator 设置 webdriver 属性。很多网站就通过 JavaScript 判断如果 webdriver 属性存在，那就直接屏蔽。

这边有一个典型的案例网站：https://antispider1.scrape.center/，这个网站就是使用了上述原理实现了 WebDriver 的检测，如果使用 Selenium 直接爬取的话，那就会返回如下页面：

python 复制代码

driver_path = "E:/chromedriver-win64/chromedriver.exe"
service = Service(driver_path)

browser = webdriver.Chrome(service=service)

browser.get('https://antispider1.scrape.center/')

这时候我们可能想到直接使用 JavaScript 直接把这个 webdriver 属性置空，但是 execute_script 调用这行 JavaScript 语句实际上是在页面加载完毕之后才执行的，执行太晚了，网站早在最初页面渲染之前就已经对 webdriver 属性进行了检测，所以用上述方法并不能达到效果。

在 Selenium 中，我们可以使用**CDP（即 Chrome Devtools-Protocol，Chrome 开发工具协议）**来解决这个问题，通过 CDP 我们可以实现在每个页面刚加载的时候执行 JavaScript 代码，执行的 CDP 方法叫作 Page.addScriptToEvaluateOnNewDocument，然后传入上文的 JavaScript 代码即可，这样我们就可以在每次页面加载之前将 webdriver 属性置空了。另外我们还可以加入几个选项来隐藏 WebDriver 提示条和自动化扩展信息，代码实现如下：

python 复制代码

from selenium import webdriver

from selenium.webdriver import ChromeOptions
driver_path = "E:/chromedriver-win64/chromedriver.exe"
service = Service(driver_path)
option = ChromeOptions()

option.add_experimental_option('excludeSwitches', ['enable-automation'])

option.add_experimental_option('useAutomationExtension', False)

browser = webdriver.Chrome(service=service,options=option)

browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {

   'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'

})

browser.get('https://antispider1.scrape.center/')

十、无头模式

上面的案例在运行的时候，我们可以观察到其总会弹出一个浏览器窗口，虽然有助于观察页面爬取状况，但在有些时候窗口弹来弹去也会形成一些干扰。

Chrome 浏览器从 60 版本已经支持了无头模式，即 Headless。无头模式在运行的时候不会再弹出浏览器窗口，减少了干扰，而且它减少了一些资源的加载，如图片等资源，所以也在一定程度上节省了资源加载时间和网络带宽。

我们可以借助于 ChromeOptions 来开启 Chrome Headless 模式，代码实现如下：

python 复制代码

from selenium import webdriver
from selenium.webdriver import ChromeOptions
from selenium.webdriver.chrome.service import Service
driver_path = "E:/chromedriver-win64/chromedriver.exe"
service = Service(driver_path)
option = ChromeOptions()
option.add_argument('--headless')
browser = webdriver.Chrome(service=service,options=option)
browser.set_window_size(1366, 768)
browser.get('https://www.baidu.com')
browser.get_screenshot_as_file('preview.png')

这里我们通过 ChromeOptions 的 add_argument 方法添加了一个参数 --headless，开启了无头模式。在无头模式下，我们最好需要设置下窗口的大小，接着打开页面，最后我们调用 get_screenshot_as_file 方法输出了页面的截图。

运行代码之后，我们发现 Chrome 窗口就不会再弹出来了，代码依然正常运行，最后输出了页面截图：