什么是Selenium：初学者分步指南

对于使用JavaScript丰富构建的动态网站，Selenium是从中提取数据的首选工具。现在就来阅读本文，以了解如何使用Selenium从网页中提取数据。

从中抓取数据最容易的网站是静态页面，可根据要求下载所有内容。可悲的是，这些类型的网站正在逐渐淡出，动态网站正在逐渐接管。

对于动态网站，加载页面时不会提供页面上的所有内容，而是在特定的JavaScript事件之后动态添加内容，这与为静态网站设计的抓取工具带来了不同的问题。幸运的是，使用Selenium之类的工具，无论页面的JavaScript丰富程度如何，您都可以触发JavaScript事件并抓取所需的任何页面。

使用Selenium，您就不会像其他工具那样局限于一种语言。Selenium支持Python，Ruby，Java，C＃和JavaScript。在本文中，我们将利用Selenium和Python提取Web数据。在进行详细介绍之前，明智的做法是查看Selenium和何时应使用它的实例。

Selenium WebDriver –概述

Selenium最初不是为Web抓取而开发的-最初是为测试Web应用程序而开发的，但已发现其在Web抓取中的用途。从技术上讲，Selenium或更合适的是Selenium WebDriver是用于测试Web应用程序的可移植框架。

简而言之，Selenium所做的就是使Web浏览器自动化。正如Selenium背后的团队正确地指出的那样，您使用该功能的一切取决于您！Selenium支持Windows，macOS和Linux。在浏览器支持方面，您可以使用它来自动执行Chrome，Firefox，Internet Explorer，Edge和Safari。同样重要的是，可以使用第三方插件扩展Selenium。

使用Selenium，您可以在线自动填写表格，单击按钮，拍摄页面快照以及其他特定任务。这些任务之一是Web提取。虽然您可以将其用于卷筒纸刮擦，但它绝对不是瑞士的卷筒纸刮刀。它有它自己的缺点，这将使您避免在某些用例中使用它。

它最明显的缺点是速度慢。如果您尝试使用Scrapy或Requests和Beautifulsoup的组合，那么您将获得一个速度基准，可以使Selenium的排名降低。这并非与它使用真实的浏览器并必须进行渲染这一事实无关。

因此，开发人员仅在处理具有丰富JavaScript的站点时才使用Selenium，您会发现很难调用基础API。使用Selenium，您要做的就是使过程自动化，所有事件都将被触发。

对于可以快速复制API请求并在加载时下载所有内容的静态站点，您将需要使用更好的选项，即Scrapy或Requests和Beautifulsoup的组合。

• Scrapy、Beautifulsoup 、Selenium用于Web抓取

安装指南

Selenium是第三方库，因此，您需要先安装它，然后才能使用它。在安装Selenium之前，请确保已经安装了Python。要安装Python，您可以访问Python官方下载页面。为了使Selenium正常工作，您将需要安装Selenium软件包，然后安装要自动化的特定浏览器驱动程序。您可以使用pip安装该库。

pip install Selenium

对于浏览器驱动程序，它们支持Chrome，Firefox和许多其他驱动程序。本文的重点是Chrome。如果您的计算机上未安装Chrome，则可以从Google Chrome官方页面上下载。安装了Chrome后，您可以继续并在此处下载Chrome驱动程序二进制文件。

让您下载已安装的Chrome版本的驱动程序。该文件是一个zip文件，其中包含实际的驱动程序。解压缩实际的Chrome驱动程序（chromedriver.exe），并将其与您正在编写的任何Selenium脚本放在同一文件夹中。

Selenium Hello World

正如编码教程的传统一样，我们从经典的hello world程序开始编写本Selenium指南。该代码目前尚未抓取任何数据。它所做的只是尝试登录一个虚构的Twitter帐户。让我们看一下下面的代码。

import time
from selenium import webdriver
from selenium.webdriver.common.keysimport Keys

username = "concanated"
password = "djhhfhfhjdghsd"
driver = webdriver.Chrome()
driver.get("https://twitter.com/login")
name_form = driver.find_element_by_name("session[username_or_email]")
name_form.send_keys(username)
pass_form = driver.find_element_by_name(("session[password]"))
pass_form.send_keys(password)
pass_form.send_keys((Keys.RETURN))
time.sleep(5)
driver.quit()

用户名和密码变量的值是假的。当您运行上述代码时，它将启动Chrome，然后打开Twitter登录页面。用户名和密码将被输入然后发送。

由于用户名和密码不正确，因此会显示错误消息，并在5秒钟后关闭浏览器。从上面可以看到，您需要指定特定的Web浏览器，并且可以看到我们在第7行上做了。get方法发送GET请求。页面成功加载后，我们使用

driver.find_element_by_name

查找用户名和输入元素然后使用的方法

.send_keys

用于用适当的数据填充输入字段。

发送网络请求

使用Selenium发送Web请求是最简单的任务之一。与其他工具不同，Selenium中的POST和GET请求之间存在差异，它们的发送方式相同。所需要做的就是您在将URL作为参数传递的驱动程序上调用get方法。让我们看看下面的操作是如何完成的。

from selenium import webdriver

driver = webdriver.Chrome()
# visit Twitter homepage
driver.get("https://twitter.com/")
# page source
print(driver.page_source)
driver.quit()

运行上面的代码将以自动化模式启动Chrome，并访问Twitter主页并使用来打印页面的HTML源代码。

driver.page_source

您会在地址栏下方看到一条通知，告知您Chrome由自动测试软件控制。

• Playwright、Puppeteer， Selenium:有什么区别?

无头模式的Chrome

综上所述，Chrome启动了–这是一种有效的方法，主要用于调试。如果您准备在服务器或生产环境中启动脚本，则不希望启动Chrome 您希望它在后台运行。这种不启动而运行Chrome浏览器的方法称为无头Chrome模式。以下是在无头模式下运行Selenium Chrome的方法。

from selenium import webdriver
from selenium.webdriver.chrome.optionsimport Options

# Pay attention to the code below
options = Options()
options.headless = True
driver = webdriver.Chrome(options=options)

# visit Twitter homepage
driver.get("https://twitter.com/")
# page source
print(driver.page_source)
driver.quit()

运行上面的代码将无法启动Chrome浏览器，您只能看到访问的页面的源代码。此代码与之前的代码唯一的不同是，该代码在无头模式下运行。

• 无头浏览器101：Chrome无头浏览器Firefox版本
• 使用Chrome无头和专用代理抓取任何网站

访问页面上的元素

Web抓取基本上涉及三件事：发送Web请求，解析页面源，然后处理或保存解析的数据。前两个通常是重点，因为它们会带来更多挑战。

您已经学习了如何发送Web请求。现在，让我向您展示如何访问其他元素以解析它们中的数据或执行任务。在上面的代码中，我们使用

page_source

访问页面源的方法。仅当您要使用Beautifulsoup或其他解析库进行解析时，此功能才有用。如果要使用Selenium，则不必使用

page_source

方法：

driver.title

用于检索页面标题

driver.current_url

用于检索视图中页面的URL

driver.find_element_by_name

用于通过元素名称检索元素，例如使用名称password输入密码

driver.find_element_by_tag_name

用于通过标签名称（例如a，div，span，body，h1等）检索元素。

driver.find_element_by_class_name

用于通过类名称检索元素

driver.find_element_by_id

用于通过id查找元素

对于每个

find_element_by ***

方法，有一种对应的方法可检索元素列表，而不是一个元素列表，除了

find_element_by_id

举例来说，如果您想使用“ thin-long”类检索所有元素，则可以使用

driver.find_elements_by_class_name(“thin-long”)

代替

driver.find_element_by_class_name(“thin-long”)

区别在于函数中的多个element关键字

与页面上的元素进行交互

通过以上内容，您可以在页面上找到特定的元素。但是，您不只是为了做这些而已。您将需要与它们进行交互以触发某些事件或从中检索数据。让我们看一下使用Selenium和Python与页面上的元素可以进行的一些交互。

element.text

将检索附加到元素的文本

element.click（）

将会触发点击动作和随后的事件

element.send_keys(“test text”)

用于填写输入表格

element.is_displayed（）

用于检测元素是否对真实用户可见这非常适合蜜罐检测

element.get_attributes（“ class”）

用于检索元素属性的值。您可以为任何其他属性更改“ class”关键字。

有了以上内容，您就具有开始从网页上抓取数据的条件。我将使用以上内容从Britannica网站上抓取其资本，人口（普查）和估计人口的美国各州的列表。看下面的代码。

from selenium import webdriver
from selenium.webdriver.chrome.optionsimport Options

# Pay attention to the code below
options = Options()
options.headless = True
driver = webdriver.Chrome(options=options)

driver.get("https://www.britannica.com/topic/list-of-state-capitals-in-the-United-States-2119210")
list_states = []
trs = driver.find_element_by_tag_name("tbody").find_elements_by_tag_name("tr")
for iin trs:
tr = i.find_elements_by_tag_name("td")
tr_data = []
for x in tr:
tr_data.append(x.text)
list_states.append(tr_data)
print(list_states)
driver.quit()

综上所述，我们几乎将上面讨论的所有内容付诸实践。注意trs变量。如果查看页面的源代码，您会发现状态列表和相关信息包含在表中。该表没有类，其主体也没有。

有趣的是，它是唯一的表，因此，我们可以使用find.element_by_tag_name（“ tbody”）方法来检索tbody元素。tbody元素中的每一行代表一个状态及其信息，每个信息都嵌入td元素中。我们调用了find.elements_by_tag_name（“ td”）来检索td元素。

第一个循环用于遍历tr元素。第二个是迭代每个tr元素的td元素。Element.text用于检索附加到元素的文本。

您已经学习了基础知识：现在呢？

综上所述，我们已经向您展示了如何使用Selenium和Python抓取页面。但是，您需要知道所学的只是基础知识。您还需要学习更多。您将需要知道如何执行其他移动和键盘操作。

有时，只需立即用文本字符串填写表单，就会发现流量是由机器人发起的。在这种情况下，您将必须模仿每个人输入的字母来模仿打字。使用Selenium，您甚至可以拍摄页面快照，执行自定义JavaScript并执行许多自动化任务。我建议您在Selenium官方网站上详细了解Selenium Web浏览器。

• 如何在Selenium上设置代理
• 使用Selenium和代理构建Web爬网程序

结论

Selenium在慢速方面有其自身的挫折。但是，事实证明，当您需要从功能丰富的JavaScript网站中抓取数据时，它是最佳选择。

关于Selenium，您会喜欢的一件事是，它使抓取的整个过程变得很容易，因为您不必处理Cookie，也不必进行复制即可复制Web请求。有趣的是，它很容易使用。

• 什么是HTTP标头以及如何检查HTTP标头？
• 代理API，数据中心，用于剪贴的住宅代理
• 如何抓取网站，永不列入黑名单
• Web Scraping API可帮助抓取和提取数据