Python网页测试库selenium，动态网页抓取

selenium是自动化网页测试工具，它支持各种浏览器，包括 Chrome，Safari，Firefox 等主流界面式浏览器，使用selenium需要浏览器版本与selenium版本匹配，同时配合浏览器驱动便可实现Web界面的测试，也就是 selenium 支持这些浏览器驱动。



首先，在命令行窗口安装selenium库：pip install selenium，

通过命令：pip show selenium查看selenium版本；

然后，查找安装对应版本的浏览器；

接下来，下载一个浏览器驱动，比如google用chromedriver，firefox用geckodriver；

最后，把geckodriver的位置加入环境变量PATH中。

我用的配置是win7系统下Python3.5.2：

selenium3.6.0，firefox54.0，geckodriver-v0.14.0-win64，

D:\PYTHON35\idle\selenium

firefox各版本下载地址：http://ftp.mozilla.org/pub/firefox/releases/

（不要更新firefox版本，更新版本就不对应了！）

通过以下命令，可以利用firefox开启百度网页：

import time
from selenium import webdriver
driver=webdriver.Firefox(executable_path=r'D:\PYTHON35\idle\selenium\geckodriver')
#创建firefox的驱动
driver.maximize_window()
#避免移动版布局和网页版布局窗口影响CSS定位抓取
driver.get('https://www.baidu.com/')
#time.sleep(5) #网页停留5秒
driver.quit()

下述针对动态页面，模拟页面下拉：

import time
from selenium import webdriver
driver=webdriver.Firefox(executable_path=r'D:\PYTHON35\idle\selenium\geckodriver')
#创建firefox的驱动
driver.maximize_window() #避免移动版布局和网页版布局窗口影响CSS定位抓取
driver.get('http://www.balmain.com/en_cn/men/new-arrivals.html')
driver.execute_script('window.scrollBy(0, document.body.scrollHeight);')
#execute_script利用javascript模拟动态网页页面下拉

下面会针对“如何判断页面下拉完毕”，显示全部要查找的类型的元素进行设计：

import time
from selenium import webdriver

driver=webdriver.Firefox(executable_path=r'D:\PYTHON35\idle\selenium\geckodriver') #创建firefox的驱动
driver.maximize_window() #避免移动版布局和网页版布局窗口影响CSS定位抓取
#此处,可以设置查找元素时超时问题,异常检测driver.implicity_wait(5),超过5秒报异常

###为了防止等待抓取超时报错,可以类似的设置打开页面异常检测,这里直接忽略异常继续往下抓取,页面上重要元素几乎都拿到了###
try:
driver.get('http://www.balmain.com/en_cn/men/new-arrivals.html')
except:
pass

elements=[] #为了判断是否页面下拉完毕,显示了全部页面元素
count=-1
###while语句条件,下拉刷新判断关键条件,可以参照页面html源码对照看有多少个元素a###
while len(elements) > count:
count = len(elements) #记录当前找到多少元素
driver.execute_script('window.scrollBy(0, document.body.scrollHeight);') #找到元素后,做页面下拉刷新
#execute_script利用javascript模拟动态网页页面下拉,scrollBy参数是0表示从0开始下拉,可以修改成任意高度
time.sleep(2)
elements=driver.find_elements_by_css_selector('div.products-list > div > a')
#元素a定位,find_elements_by_css_selector里elements表示找所有满足条件的元素,element表示找一个满足条件的元素
for element in elements:
###此处可以嵌套查找elements里的元素element.find_XXX_by_css_selector(元素)###
print(element.get_attribute('href'))
#selenium里的get_attribute类似bs4里的get
driver.quit()