爬虫中Selenium的用法详解之Python3（二）

lsekfe

7. 动作链
　　在上面的实例中，一些交互动作都是针对某个节点执行的。比如，对于输入框，我们就调用它的输入文字和清空文字方法；对于按钮，就调用它的点击方法。其实，还有另外一些操作，它们没有特定的执行对象，比如鼠标拖曳、键盘按键等，这些动作用另一种方式来执行，那就是动作链。
　　比如，现在实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处，可以这样实现：
　　from selenium import webdriver
　　from selenium.webdriver import ActionChains
　　browser = webdriver.Chrome()
　　url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
　　browser.get(url)
　　browser.switch_to.frame('iframeResult')
　　source = browser.find_element_by_css_selector('#draggable')
　　target = browser.find_element_by_css_selector('#droppable')
　　actions = ActionChains(browser)
　　actions.drag_and_drop(source, target)
　　actions.perform()


　　首先，打开网页中的一个拖曳实例，然后依次选中要拖曳的节点和拖曳到的目标节点，接着声明ActionChains对象并将其赋值为actions变量，然后通过调用actions变量的drag_and_drop()方法，再调用perform()方法执行动作，此时就完成了拖曳操作。
　　8. 执行JavaScript
　　对于某些操作，Selenium API并没有提供。比如，下拉进度条，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：
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　browser.get('https://www.zhihu.com/explore')
　　browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
　　browser.execute_script('alert("To Bottom")')


　　 这里就利用execute_script()方法将进度条下拉到最底部，然后弹出alert提示框。
　　所以说有了这个方法，基本上API没有提供的所有功能都可以用执行JavaScript的方式来实现了。
　　9. 获取节点信息
　　前面说过，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。
　　不过，既然Selenium已经提供了选择节点的方法，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，就看看通过怎样的方式来获取节点信息吧。
　　获取属性
　　我们可以使用get_attribute()方法来获取节点的属性，但是其前提是先选中这个节点，示例如下：
　　from selenium import webdriver
　　from selenium.webdriver import ActionChains
　　browser = webdriver.Chrome()
　　url = 'https://www.zhihu.com/explore'
　　browser.get(url)
　　logo = browser.find_element_by_id('zh-top-link-logo')
　　print(logo)
　　print(logo.get_attribute('class'))


　　运行之后，程序便会驱动浏览器打开知乎页面，然后获取知乎的logo节点，最后打印出它的class。
　　控制台的输出结果如下：
　　<selenium.webdriver.remote.webelement.WebElement (session="e08c0f28d7f44d75ccd50df6bb676104", element="0.723639066
　　0048155-1")>
　　zu-top-link-logo


　　通过get_attribute()方法，然后传入想要获取的属性名，就可以得到它的值了。
　　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Beautiful Soup的get_text()方法、pyquery的text()方法，示例如下：
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　url = 'https://www.zhihu.com/explore'
　　browser.get(url)
　　input = browser.find_element_by_class_name('zu-top-add-question')
　　print(input.text)


　　这里依然先打开知乎页面，然后获取“提问”按钮这个节点，再将其文本值打印出来。
　　获取id、位置、标签名和大小
　　另外，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：
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　url = 'https://www.zhihu.com/explore'
　　browser.get(url)
　　input = browser.find_element_by_class_name('zu-top-add-question')
　　print(input.id)
　　print(input.location)
　　print(input.tag_name)
　　print(input.size)


　　这里首先获得“提问”按钮这个节点，然后调用其id、location、tag_name、size属性来获取对应的属性值。
　　10. 切换Frame
　　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，它默认是在父级Frame里面操作，而此时如果页面中还有子Frame，它是不能获取到子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：
　　import time
　　from selenium import webdriver
　　from selenium.common.exceptions import NoSuchElementException
　　browser = webdriver.Chrome()
　　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)


　　控制台的输出如下：
　　NO LOGO
　　<selenium.webdriver.remote.webelement.WebElement (session="4bb8ac03ced4ecbdefef03ffdc0e4ccd", element="0.1379261132
　　0464965-2")>
　　RUNOOB.COM


　　这里还是以前面演示动作链操作的网页为实例，首先通过switch_to.frame()方法切换到子Frame里面，然后尝试获取父级Frame里的logo节点（这是不能找到的），如果找不到的话，就会抛出NoSuchElementException异常，异常被捕捉之后，就会输出NO LOGO。接下来，重新切换回父级Frame，然后再次重新获取节点，发现此时可以成功获取了。
　　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。
　　11. 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。
　　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，当查找节点而节点并没有立即出现的时候，隐式等待将等待一段时间再查找DOM，默认的时间是0。示例如下：
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　browser.implicitly_wait(10)
　　browser.get('https://www.zhihu.com/explore')
　　input = browser.find_element_by_class_name('zu-top-add-question')
　　print(input)


　　这里我们用implicitly_wait()方法实现了隐式等待。
　　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：
　　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
　　browser = webdriver.Chrome()
　　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，代表节点出现的意思，其参数是节点的定位元组，也就是ID为q的节点搜索框。
　　这样可以做到的效果就是，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，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，也就是成功加载出来了，就返回这个按钮节点；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。
　　运行代码，在网速较佳的情况下是可以成功加载出来的。
　　控制台的输出如下：
　　<selenium.webdriver.remote.webelement.WebElement (session="07dd2fbc2d5b1ce40e82b9754aba8fa8", element="0.564264629
　　4074107-1")>
　　<selenium.webdriver.remote.webelement.WebElement (session="07dd2fbc2d5b1ce40e82b9754aba8fa8", element="0.564264629
　　4074107-2")>


　　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：
　　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')))


　　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。表列出了所有的等待条件。

　　12. 前进和后退
　　平常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：
　　import time
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　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()方法回到第二个页面，接下来再调用forward()方法又可以前进到第三个页面。
　　13. 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：
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　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，我们访问了知乎。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，结果就多了这一项新加的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：
　　[{'secure': False, 'value': '"NGM0ZTM5NDAwMWEyNDQwNDk5ODlkZWY3OTkxY2I0NDY=|1491604091|236e34290a6f407bfbb517888
　　849ea509ac366d0"', '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|236e34290a6f407bfbb517888849
　　ea509ac366d0"', 'domain': '.zhihu.com', 'path': '/', 'httpOnly': False, 'name': 'l_cap_id', 'expiry':
　　1494196091.403418}]
　　[]


　　14. 选项卡管理
　　在访问网页的时候，会开启一个个选项卡。在Selenium中，我们也可以对选项卡进行操作。示例如下：
　　import time
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　browser.get('https://www.baidu.com')
　　browser.execute_script('window.open()')
　　print(browser.window_handles)
　　browser.switch_to_window(browser.window_handles[1])
　　browser.get('https://www.taobao.com')
　　time.sleep(1)
　　browser.switch_to_window(browser.window_handles[0])
　　browser.get('https://python.org')


　　控制台的输出如下：
　　['CDwindow-4f58e3a7-7167-4587-bedf-9cd8c867f435', 'CDwindow-6e05f076-6d77-453a-a36c-32baacc447df']

　　首先访问了百度，然后调用了execute_script()方法，这里传入window.open()这个JavaScript语句新开启一个选项卡。接下来，我们想切换到该选项卡。这里调用window_handles属性获取当前开启的所有选项卡，返回的是选项卡的代号列表。要想切换选项卡，只需要调用switch_to_window()方法即可，其中参数是选项卡的代号。这里我们将第二个选项卡代号传入，即跳转到第二个选项卡，接下来在第二个选项卡下打开一个新页面，然后切换回第一个选项卡重新调用switch_to_window()方法，再执行其他操作即可。
　　15. 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：
　　from selenium import webdriver
　　browser = webdriver.Chrome()
　　browser.get('https://www.baidu.com')
　　browser.find_element_by_id('hello')


　　这里首先打开百度页面，然后尝试选择一个并不存在的节点，此时就会遇到异常。
　　运行之后控制台的输出如下：
　　NoSuchElementException Traceback (most recent call last)
　　<ipython-input-23-978945848a1b> in <module>()
　　      3 browser = webdriver.Chrome()
　　      4 browser.get('https://www.baidu.com')
　　----> 5 browser.find_element_by_id('hello')


　　可以看到，这里抛出了NoSuchElementException异常，这通常是节点未找到的异常。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：
　　from selenium import webdriver
　　from selenium.common.exceptions import TimeoutException, NoSuchElementException
　　browser = webdriver.Chrome()
　　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，我们对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：
　　No Element

　　现在，我们基本对Selenium的常规用法有了大体的了解。使用Selenium，处理JavaScript不再是难事。

oliver.tang

感谢分享