Python爬虫-Selenium（1）

前言

前期准备

基础使用

进阶使用

（浏览器操作，节点操作）

（等待异常，cookies）

其他设置

（禁止提示，禁止加载图片，无头设置）

实战新浪微博

（要求，注意，效果，问题）

前言

如果一定要说什么东西会记忆犹新、历久弥新的话，恐怕于我来说，是绕不过“2a分之-b正负根号下b平方-4ac”了。这个万能公式，尽管在一定条件下会让计算变得复杂，但学生们也包括过去的我在内，大都对此心爱不已——毕竟少了许多动脑筋的麻烦事儿。

而在爬虫界，也有这么一个可以让人少动脑筋的万能公式，我们不必考虑需要设置哪些cookies，也不用考虑提交动态的uuid，token等等。它不是不存在缺点，效率会有些低，这向来被人诟病。可偏有人爱装×，你说他爬取个业余用来娱乐的数据，总共恐怕千条不足百条有余，几秒的时间差对他来说真的重要吗？

方法无罪，因地制宜。

它就是selenium+chrome。

前期准备

selenium是一个自动化的库，其实可以连接很多浏览器，包括谷歌，火狐，苹果以及PhantomJS，但我这里只以chrome为例。而且，现在用PhantomJS要被Python警告，主要是官方不支持了

安装库：

谷歌驱动：chromedriver 2.41 （对应浏览器版本v67-69，需要科学上网才能下载，也可以去我的CSDN下载，提供win,linux,mac三个版本）

下载之后，建议将驱动放到python目录下的Scripts下面（仅针对win用户），这样一来就不用指明驱动的路径即可使用

基础使用

一切顺利，就能看到浏览器自动打开，并且跳转到百度网页，之后又自动退出，效果如下：

那么，要是我们想通过自动化程序来搜索可不可以呢？答案是当然的。这里就需要找到节点，selenium提供以下多种选择节点的方法：

通过id定位

通过name定位

通过a标签中的文本定位

通过a标签中的部分文本定位（类似于模糊查询）

通过标签名定位

通过类名定位

通过xpath规则

通过css选择器

这里我们完全可以用老相识，也就是最后两个方法来寻找节点（我也建议用常用最后两个方法）

首先通过开发者工具审查元素，找到搜索框

既然是要查询，自然也得找到百度一下这个按钮的节点，以便我们click一下

效果如下：

也就是说，selenium提供了方法用于输入，方法用于点击

进阶使用

浏览器操作

selenium十分强大，提供了许多方法，以至于可以完全模拟人的行为；由于简单，就不一一演示，直接罗列了：

前进

后退

保存截图

获取网页标题

获取当前url地址

关闭当前网页（当只有一个页面的时候，会关掉浏览器）；而方法是直接关掉浏览器

节点操作

我们也可以通过selenium直接提取数据

前面我们查找节点的时候，都是用的，通过这种方式，只会返回一个节点，如果需要的是多个节点，则得加上一个s，即：，以list类型返回

运行结果如下：

当然，我们也可以取出源码，再用我们熟悉的XPath或者美丽汤，或者pyquery来解析数据，方法为

selenium的一大特色是，取出来的源码是经过js脚本渲染之后的代码，这一来使得我们获取数据更加容易

其他方法：

获取标签id值

获取标签位置

获取标签名

获取标签大小；以字典方式返回如：{‘height’: 45, ‘width’: 61}

获取标签的属性值；如需要class值：

等待

很可能网速，或者我们电脑太卡的缘故，使得渲染速度太慢，就可能发生某个标签还未通过js脚本渲染，而我们的爬虫程序已经执行到寻找这个标签的语句了，这个时候程序就报错，告诉我们没有这样的标签。selenium也帮我们想到了这个问题

（1）隐式等待：当selenium第一次寻找某个节点没有找到时，它将继续等待，直到设置的时间到了再去找，如果还没找到，报错。代码如下：

这是一个针对全局的设置，在每一次寻找节点失败的时候，都会固定不变的等待一段时间，直到程序结束（正常结束或者异常结束）

（2）显式等待：显式比隐式等待灵活许多。它的工作机制是，在最长等待时间之内，定期去看看节点出现没，出现了，程序继续往下走；没出现，就再等一会；直到设置的最长时间到了，程序报错TimeoutException

异常

当我们需要捕获异常的时候，需要导入对应的异常，如：

cookies

我们也可以获取、添加、删除浏览器中的Cookies

以list类型返回

其他设置

禁止提示

有时候浏览器有如下这样的提示出现，我们可以设置禁止

禁止加载图片

有时候我们为了让爬虫效率，也可以禁止浏览器加载图片以达增快渲染速度

无头设置

我们每一次运行，浏览器都会弹出来，事实上除了调试，没有谁会愿意它跑出来“丢人现眼”，所以我们可以设置无头运行（也就是无界面运行）

实战新浪微博

需要说明的是，经过渲染之后的网页数据，会夹杂许多杂志，增加清洗数据的难度。这里之所以用selenium+chrome的方法来爬取新浪微博，只为练习。事实上，如果数据并不庞大，调用新浪提供的免费接口，或者访问APP的数据源，都是更好的选择。这里不做延伸

要求

这里我选择爬取的是我喜欢的一个作家，落落的微博，需要提取的数据如下所示：

要求1：发布时间，发布设别，微博正文，图片链接，转发数，评论数，点赞数

要求2：将这些数据存入mongodb中

要求3：下载获取到的图片链接（我这里选择的是封面图片，而不是高清大图）

注意

整个过程中需要注意的地方：

注意1：微博每页的数据并非直接全部呈现，当内容比较多时，需要下拉滑动条进行数据的加载

控制浏览器下拉代码：

（实际是执行了js语句）

注意2：尽管显示微博页数只有32，但当你访问page=100的时候，依然可以得到渲染后的页面，只是这个页面没有数据

我做了最笨也是最简单的处理，以页数作为循环次数

注意3：当转发或者评论或者点赞为0的时候，微博直接显示文字

我是通过正则来清洗的数据，因为这样看起来会有些高大上（逃。。。）

效果

程序运行效果如下：

插入mongodb数据格式如下：

本地保存图片如下：

问题

其中我遇到一个问题，程序已经能够正常运行，然而添加无头设置之后会报错，编译器提示元素不可见。暂时我还没能解决这个问题，之后我会好好研究，或者，要不你们告诉告诉我嘛【装可爱脸.jpg】