python爬蟲中如何使用Selenium模擬瀏覽器行為

這篇文章主要介紹python爬蟲中如何使用Selenium模擬瀏覽器行為，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

分析

他的代碼比較簡單，主要有以下的步驟：使用BeautifulSoup庫，打開百度貼吧的首頁地址，再解析得到id為new_list標(biāo)簽底下的img標(biāo)簽，最后將img標(biāo)簽的圖片保存下來。

headers = {
 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'
}

data=requests.get("https://tieba.baidu.com/index.html",headers=headers)
html=BeautifulSoup(data.text,'lxml')

前面提到過，有部分圖片是動態(tài)加載的，那么首先我們得弄清楚，這部分圖片是怎么動態(tài)加載的。在瀏覽器中打開百度貼吧的首頁，可以明顯的看到，在往下滾動滾動條的時候，當(dāng)滾動到底部的時候，滾動條縮短了，并向上移動了一段距離。這個現(xiàn)象也正是有DOM元素動態(tài)的添加到了html文檔的一個表現(xiàn)。動態(tài)加載數(shù)據(jù)無非就是ajax請求，而ajax本質(zhì)上就是XMLHttpRequest請求(簡稱xhr)。在谷歌瀏覽器中，我們可以通過開發(fā)者工具的network面板來監(jiān)測xhr請求。

剛打開首頁時的xhr請求，這里的請求都和要爬取的圖片無關(guān)。

滾動條向下第1次滾動到底部，這里請求的是第20-40條熱門動態(tài)，包含要爬取圖片。

滾動條向下第2次滾動到底部，這里請求的是第40-60條熱門動態(tài)，包含要爬取圖片。并且返回的的has_more:false表明沒有跟多數(shù)據(jù)了。

滾動條向下第3次滾動到底部，再無xhr請求。

解決方案

根據(jù)上面的分析，我們已經(jīng)明白，單純使用BeautifulSoup進(jìn)行爬蟲的時候，只能爬取到1-20條熱門動態(tài)里面的圖片。為了爬取到完整的熱門動態(tài)里面的圖片，我們則需要模擬瀏覽器的滾動條滾動，讓網(wǎng)頁去觸發(fā)xhr請求更多的熱門動態(tài)。

在python中，如果需要模擬瀏覽器的行為，可以使用selenium庫。selenium庫是一個自動化測試框架，可以用來模擬測試瀏覽器的各種行為，這里我們使用它來模擬瀏覽器打開百度貼吧的首頁，并模擬滾動條向下滾動到底部的操作。

安裝

pip install selenium

下載瀏覽器驅(qū)動

火狐瀏覽器驅(qū)動，其下載地址是：https://github.com/mozilla/geckodriver/releases

谷歌瀏覽器驅(qū)動，其下載地址是：http://chromedriver.storage.googleapis.com/index.html?path=2.33/

opera瀏覽器驅(qū)動，其下載地址是：https://github.com/operasoftware/operachromiumdriver/releases

對照自己電腦安裝的瀏覽器和對應(yīng)的版本，分別從上面的地址下載驅(qū)動文件，也可以從我的github項目中統(tǒng)一下載以上幾個驅(qū)動(地址:https://github.com/Sesshoumaru/attachments/tree/master/Selenium%20WebDriver)。下載解壓后，將所在的目錄添加系統(tǒng)的環(huán)境變量中。當(dāng)然你也可以將下載下來的驅(qū)動放到python安裝目錄的lib目錄中，因為它本身已經(jīng)存在于環(huán)境變量（我就是這么干的）。

使用python代碼模擬瀏覽器行為

要使用selenium先需要定義一個具體browser對象，這里就定義的時候就看你電腦安裝的具體瀏覽器和安裝的哪個瀏覽器的驅(qū)動。這里以火狐瀏覽器為例：

from selenium import webdriver
browser = webdriver.Firefox()

再模擬打開貼吧首頁：

browser.get(https://tieba.baidu.com/index.html)

再模擬滾動條滾動到底部

for i in range(1, 5):
 browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
 time.sleep(1)

最后再使用BeautifulSoup，解析圖片標(biāo)簽：

html = BeautifulSoup(browser.page_source, "lxml")
imgs = html.select("#new_list li img")

幾個注意點(diǎn)

必須安裝瀏覽器和瀏覽器驅(qū)動，并且瀏覽器和瀏覽器驅(qū)動要配到

即如果使用谷歌瀏覽器模擬網(wǎng)頁行為，則需要下載谷歌瀏覽器驅(qū)動；
如果使用火狐瀏覽器模擬網(wǎng)頁行為，則需要下載火狐瀏覽器驅(qū)動

瀏覽器驅(qū)動所在的目錄要在環(huán)境變量中，或者定義瀏覽器browser的時候指定驅(qū)動的路徑

selenium更多用法

查找元素

from selenium import webdriver

browser = webdriver.Firefox()
browser.get("https://tieba.baidu.com/index.html")

new_list = browser.find_element_by_id('new_list')
user_name = browser.find_element_by_name ('user_name')
active = browser.find_element_by_class_name ('active')
p = browser.find_element_by_tag_name ('p')

# find_element_by_name 通過name查找單個元素
# find_element_by_xpath 通過xpath查找單個元素
# find_element_by_link_text 通過鏈接查找單個元素
# find_element_by_partial_link_text 通過部分鏈接查找單個元素
# find_element_by_tag_name 通過標(biāo)簽名稱查找單個元素
# find_element_by_class_name 通過類名查找單個元素
# find_element_by_css_selector 通過css選擇武器查找單個元素
# find_elements_by_name 通過name查找多個元素
# find_elements_by_xpath 通過xpath查找多個元素
# find_elements_by_link_text 通過鏈接查找多個元素
# find_elements_by_partial_link_text 通過部分鏈接查找多個元素
# find_elements_by_tag_name 通過標(biāo)簽名稱查找多個元素
# find_elements_by_class_name 通過類名查找多個元素
# find_elements_by_css_selector 通過css選擇武器查找多個元素

獲取元素信息

btn_more = browser.find_element_by_id('btn_more')
print(btn_more.get_attribute('class')) # 獲取屬性
print(btn_more.get_attribute('href')) # 獲取屬性
print(btn_more.text) # 獲取文本值

元素交互操作

btn_more = browser.find_element_by_id('btn_more')
btn_more.click() # 模擬點(diǎn)擊,可以模擬點(diǎn)擊加載更多

input_search = browser.find_element(By.ID,'q')
input_search.clear() # 清空輸入

執(zhí)行JavaScript

# 執(zhí)行JavaScript腳本
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')

以上是“python爬蟲中如何使用Selenium模擬瀏覽器行為”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！