网站导航
> 技术文档 > Python 爬虫 - Selenium 框架_python selenium爬虫框架

Python 爬虫 - Selenium 框架_python selenium爬虫框架

网友: 技术文档 2025-08-08 13:40:35

Python 爬虫 - Selenium 框架

  • 安装
    • 安装 Selenium
    • 安装 WebDriver
  • 操作浏览器
    • 打开浏览器
      • 普通方式
      • 加载配置方式
      • Headless 方式
    • 设置浏览器窗口
      • 最大化显示
      • 最小化显示
      • 自定义大小
    • 前进后退
      • 前进
      • 后退
  • 元素定位
    • 根据 id 定位
    • 根据 name 定位
    • 根据 class 定位
    • 根据标签名定位
    • 使用 CSS 定位
    • 使用链接文本定位超链接
    • 使用 xpath 定位
  • 等待事件
    • 显示等待
    • 隐式等待
  • 登录 163 邮箱
    • 方式一
    • 方式二

Selenium 是一个用于测试 Web 应用程序的框架，该框架测试直接在浏览器中运行，就像真实用户操作一样。它支持多种平台：Windows、Linux、Mac，支持多种语言：Python、Perl、PHP、C# 等，支持多种浏览器：Chrome、IE、Firefox、Safari 等。

安装

安装 Selenium

pip install selenium

安装 WebDriver

主要浏览器 WebDriver 地址如下：

  • Chrome： http://chromedriver.storage.googleapis.com/index.html
  • Firefox： https://github.com/mozilla/geckodriver/releases
  • IE： http://selenium-release.storage.googleapis.com/index.html

本文以Chrome 为例，本机为 Windows 系统，WebDriver 使用版本 78.0.3904.11，Chrome 浏览器版本为 78.0.3880.4 驱动程序下载好后解压，将 chromedriver.exe 放到 Python 安装目录下即可。

操作浏览器

打开浏览器

普通方式

以打开去 163 邮箱为例，使用 Chrome 浏览器

from selenium import webdriverbrowser = webdriver.Chrome()browser.get(\'https://mail.163.com/\')

使用Firefox 浏览器

from selenium import webdriverbrowser = webdriver.Firefox()browser.get(\'https://mail.163.com/\')

使用IE 浏览器

from selenium import webdriverbrowser = webdriver.Ie()browser.get(\'https://mail.163.com/\')

加载配置方式

以Chrome 为例，在 Chrome 浏览器地址栏输入 chrome://version/ 打开，如图所示：
Python 爬虫 - Selenium 框架_python selenium爬虫框架
我们可以看到个人资料路径这一项，取到路径：C:\\Users\\Administrator\\AppData\\Local\\Google\\Chrome\\User Data，取到 User Data 使用自己设置的配置，取到 Default 使用默认配置。看下示例：

from selenium import webdriveroption = webdriver.ChromeOptions()# 自己的数据目录（需要将复制的路径中的 \\ 替换成 / 或进行转义 \\\\）# option.add_argument(\'--user-data-dir=C:/Users/admin/AppData/Local/Google/Chrome/User Data\')option.add_argument(\'--user-data-dir=C:\\\\Users\\\\Administrator\\\\AppData\\\\Local\\\\Google\\\\Chrome\\\\User Data\')browser = webdriver.Chrome(chrome_options=option)browser.get(\'https://mail.163.com/\')# 关闭browser.quit()

如果执行时报错没有打开指定页面，可先将浏览器关闭再执行。

Headless 方式

前两种方式都是有浏览器界面的方式，Headless 模式是 Chrome 浏览器的无界面形态，可以在不打开浏览器的前提下，使用所有 Chrome 支持的特性运行我们的程序。这种方式更加方便测试 Web 应用、获得网站的截图、做爬虫抓取信息等。看下示例：

from selenium import webdriverchrome_options = webdriver.ChromeOptions()# 使用 headless 无界面浏览器模式chrome_options.add_argument(\'--headless\')# 禁用 gpu 加速chrome_options.add_argument(\'--disable-gpu\')# 启动浏览器，获取网页源代码browser = webdriver.Chrome(chrome_options=chrome_options)url = \'https://mail.163.com/\'browser.get(url)print(\'browser text = \',browser.page_source)browser.quit()

设置浏览器窗口

最大化显示

browser.maximize_window()

最小化显示

browser.minimize_window()

自定义大小

# 宽 500，高 800browser.set_window_size(500,800)

前进后退

前进

browser.forward()

后退

browser.back()

元素定位

当我们想要操作一个元素时，首先需要找到它，Selenium 提供了多种元素定位方式，我们以 Chrome 浏览器 Headless 方式为例。看下示例：

from selenium import webdriverchrome_options = webdriver.ChromeOptions()chrome_options.add_argument(\'--headless\')chrome_options.add_argument(\'--disable-gpu\') browser = webdriver.Chrome(chrome_options=chrome_options)url = \'https://xxx.xxx.com/\'browser.get(url)data = browser.page_source

假设访问地址 https://xxx.xxx.com/，返回 data 为如下内容。

<html> <body> <form> <input id=\"fid\" name=\"fid\" type=\"text\" /> <input id=\"firstName\" name=\"fname\" class=\"fname\" type=\"text\" /> <input id=\"lastName\" name=\"fname\" class=\"fname\" type=\"text\" /> <a href=\"index.html\">index</a> </form> </body><html>

根据 id 定位

browser.find_element_by_id(\'fid\')

根据 name 定位

# 返回第一个元素browser.find_element_by_name(\'fname\')# 返回所有元素browser.find_elements_by_name(\'fname\')

根据 class 定位

# 返回第一个元素browser.find_element_by_class_name(\'fname\')# 返回所有元素browser.find_elements_by_class_name(\'fname\')

根据标签名定位

# 返回第一个元素browser.find_element_by_tag_name(\'input\')# 返回所有元素browser.find_elements_by_tag_name(\'input\')

使用 CSS 定位

# 返回第一个元素browser.find_element_by_css_selector(\'.fname\')# 返回所有元素browser.find_elements_by_css_selector(\'.fname\')

使用链接文本定位超链接

# 返回第一个元素browser.find_element_by_link_text(\'index\')# 返回所有元素browser.find_elements_by_link_text(\'index\')# 返回第一个元素browser.find_element_by_partial_link_text(\'index\')# 返回所有元素browser.find_elements_by_partial_link_text(\'index\')

使用 xpath 定位

# 返回第一个元素browser.find_elements_by_xpath(\"//input[@id=\'fid\']\")# 返回所有元素browser.find_elements_by_xpath(\"//input[@name=\'fname\']\")

等待事件

Web应用大多都使用 AJAX 技术进行加载，浏览器载入一个页面时，页面内的元素可能会在不同的时间载入，这会加大定位元素的困难程度，因为元素不在 DOM 里，会抛出 ElementNotVisibleException 异常，使用 Waits，我们就可以解决这个问题。

Selenium WebDriver 提供了显式和隐式两种Waits方式，显式的 Waits 会让 WebDriver 在更深一步的执行前等待一个确定的条件触发，隐式的 Waits 则会让 WebDriver 试图定位元素的时候对 DOM 进行指定次数的轮询。

显示等待

WebDriverWait 配合该类的 until() 和 until_not() 方法，就能够根据判断条件而进行灵活地等待了。它主要流程是：程序每隔 x 秒检查一下，如果条件成立了，则执行下一步操作，否则继续等待，直到超过设置的最长时间，然后抛出 TimeoutException 异常。先看一下方法：

__init__(driver, timeout, poll_frequency=POLL_FREQUENCY, ignored_exceptions=None)
  • driver: 传入 WebDriver 实例；
  • timeout: 超时时间，单位为秒；
  • poll_frequency: 调用 until 或 until_not 中方法的间隔时间，默认是 0.5 秒；
  • ignored_exceptions: 忽略的异常，如果在调用 until 或 until_not 的过程中抛出这个元组中的异常，则不中断代码，继续等待，如果抛出的是这个元组外的异常，则中断代码，抛出异常。默认只有NoSuchElementException。
until(method, message=\'\')
  • method: 在等待期间，每隔一段时间（init 中的 poll_frequency）调用这个方法，直到返回值不是 False；
  • message: 如果超时，抛出 TimeoutException，将 message 传入异常。
until_not(method, message=\'\')

until 方法是当某条件成立则继续执行，until_not 方法与之相反，它是当某条件不成立则继续执行，参数与 until 方法相同。

以去163 邮箱为例，看一下示例：

from selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECbrowser = webdriver.Chrome()browser.get(\'https://mail.163.com/\')try: 超时时间为 5 秒 data = WebDriverWait(browser,5).until( EC.presence_of_element_located((By.ID,\'lbNormal\')) ) print(data)finally: browser.quit()

示例中代码会等待 5 秒，如果 5 秒内找到元素则立即返回，否则会抛出 TimeoutException 异常，WebDriverWait 默认每 0.5 秒调用一下 ExpectedCondition 直到它返回成功为止。

隐式等待

当我们要找一个或者一些不能立即可用的元素的时候，隐式 Waits 会告诉 WebDriver 轮询 DOM 指定的次数，默认设置是 0 次，一旦设定，WebDriver 对象实例的整个生命周期的隐式调用也就设定好了。看一下方法：

implicitly_wait(time_to_wait)

隐式等待是设置了一个最长等待时间 time_to_wait，该时间是针对全局设置的，如果在规定时间内网页加载完成，则执行下一步，否则一直等到时间截止，然后执行下一步。看到了这里，我们会感觉有点像 time.sleep()，它们的区别是：time.sleep() 必须等待指定时间后才能继续执行， time_to_wait 是在指定的时间范围加载完成即执行，time_to_wait 比 time.sleep() 更灵活一些。

看下示例：

from selenium import webdriverbrowser = webdriver.Chrome()browser.implicitly_wait(5)browser.get(\'https://mail.163.com/\')data = browser.find_element_by_id(\'lbNormal\')print(data)browser.quit()

登录 163 邮箱

最后，我们用Selenium来做个登录 163 邮箱的实战例子。

方式一

我们通过地址 https://email2.163.com/ 登录，如图所示：

Python 爬虫 - Selenium 框架_python selenium爬虫框架
从图中我们发现直接进了 163 邮箱用户名、密码登录页，我们直接输入用户名、密码，点击登录按钮即可。示例如下：

from selenium import webdriverbrowser = webdriver.Chrome()browser.implicitly_wait(2)browser.get(\'https://email2.163.com/\')browser.switch_to.frame(browser.find_element_by_xpath(\'//iframe[starts-with(@id,\"x-URS\")]\'))# 自己的用户名browser.find_element_by_xpath(\'//input[@name=\"email\"]\').send_keys(\'xxx\')# 自己的密码browser.find_element_by_xpath(\'//input[@name=\"password\"]\').send_keys(\'xxx\')browser.find_element_by_xpath(\'//*[@id=\"dologin\"]\').click()print(browser.page_source)# 关闭browser.quit()

方式二

第二种方式我们使用地址 https://mail.163.com/，先手动打开看一下：
Python 爬虫 - Selenium 框架_python selenium爬虫框架
从图中我们会发现，登录页面首先展示的是二维码登录方式，因此我们需要先点击上图红框圈住的位置切换到用户名、密码的登录方式，如图所示：

Python 爬虫 - Selenium 框架_python selenium爬虫框架
此时，我们先输入用户名、密码，然后点击登录按钮即可。详细代码见如下 GitHub 仓库。

使用Selenium 登录 163 邮箱示例代码

网络标签：

相关问题