我用 Selenium 爬了京东商城,结果……
共 4579字,需浏览 10分钟
·
2021-09-04 17:06
文 | 極光
来源:Python 技术「ID: pythonall」
今天跟大家一起学习下 Python
如何使用 Selenium
进行自动化操作网页。
如何加载元素
众所周知现在的网站,页面内容非常复杂,而且加载的内容种类繁多,所以加载时间就会比较长。平时我们看到的大部分网站页面都做了优化,比如 baidu.com
,或者 jd.com
,但为了提升页面打开速度,他们又都采用了不同的方案:
百度首页采用了极简的方式,让自己搜索首页尽量加载少量的内容,以提高打开页面的速度。
京东首页则不可能采用百度那样的方案,因为业务方向不同,京东作为电商需要给客户展示尽量多的内容,所以它采用了延时加载的方式,也就是先加载用户能看到的内容,然后再慢慢加载那些用户不能直观看到的内容,从而大大提高了页面打开的速度。
上次我们用 selenium
写了个爬取京东商城搜索出来的 ps5国行
的产品名称和价格,在这里把代码再放出来看下。
# 导入库
from selenium import webdriver
import time
# executable_path 用于指定driver存放路径
browser = webdriver.Chrome(executable_path='/Users/xx/python/chromedriver')
# 打开京东官网
browser.get('https://www.jd.com/')
# browser.find_element_by_id("kw").send_keys("python selenium")
# 获取输入框对象
search = browser.find_element_by_xpath('//*[@id="key"]')
# 输入想要搜索的关键词,如"ps5国行"
search.send_keys('ps5国行')
# 获取搜索按钮对象并单击
browser.find_element_by_xpath('//*[@id="search"]/div/div[2]/button').click()
# 将滚动条移动到页面底部,用于加载所有信息
javascript = "var q=document.documentElement.scrollTop=50000"
# 执行 javascript 移动滚动条
browser.execute_script(javascript)
# 等待3秒,有些异步加载的数据加载慢
time.sleep(3)
# 通过查看页面源码得到金额的 xpath 路径,并获取金额
prices = browser.find_elements_by_xpath('//*[@id="J_goodsList"]/ul/li/div/div[2]/strong/i')
# 通过查看页面源码得到商品标题的 xpath 路径,并获取商品标题
names = browser.find_elements_by_xpath('//*[@id="J_goodsList"]/ul/li/div/div[3]/a/em')
# 遍历打印出当前页所有标题和金额
for name,price in zip(names,prices):
print(name.text.replace('\n',''),price.text)
#退出浏览器
browser.quit()
元素等待
上面代码中,在搜索完成后,我们只看到第一页内容,其实还没在屏幕上展示的内容是没有加载的,这样我们就没办法获取所有搜索出的产品信息。
这里就需要我先用 selenium
操作滚动条,将滚动条移动到页面底部,用于加载所有信息,这时你会发现,产品信息不会立刻加载出来,还需要等待几秒钟,当然等多久主要还是看网速。
在这里我设置的是等待 3 秒,调用了 time.sleep(3)
方法来实现。
强制等待
强制等待是一种简单又粗暴的方式,也就是强制将进程暂停,等待参数传入的相应时间。比如我们上面用的 time.sleep(3)
,它不会管你页面是否已经加载完,都会等 3 秒的时间。
如果 3 秒后内容加载完了还好,如果没有加载完,它也不会再等了,直接开始执行下面的代码,所以经常会遇到不可预知的问题。
这种方式主要用来简单调试代码时使用,平时非常不建议使用。
隐式等待
隐式等待也叫隐性等待,跟强制等待最大的不同就是,隐性等待可以实现智能等待,只要设置一个最大等待时间,在这个时间内网页内容只要加载完成就可以立即进行后续操作,不需要再等到最大时间。
# 导入库
from selenium import webdriver
import time
# executable_path 用于指定driver存放路径
browser = webdriver.Chrome(executable_path='/Users/xx/python/chromedriver')
# 隐性等待最长等20秒
driver.implicitly_wait(20)
# 打开京东官网
browser.get('https://www.jd.com/')
#退出浏览器
browser.quit()
不过使用隐性等待有几点需要注意:
如果等待到最大时间,网页还没有加载完成,那依然还会继续执行下一步操作。
这里指的网页加载完成,是指浏览器的加载页面状态显示完成(也就是加载的小圈不再转),实际使用中经常会遇到大部分内容都加载完了,但有少量 js 脚本一直加载中,导致整个页面状态还是加载中,这时就会仍需要等待 20 秒才会执行下一步操作。
跟
sleep()
方法不同,隐式等待方法implicitly_wait(20)
设置一次后是全局有效的,也就是在整个 driver 的周期都起作用,不用每个操作前都设置一遍。
那这些问题有没有解决方法?或者有没有其他更好的方法实现元素等待?当然有,那就是显式等待。
显式等待
显式等待其实就是 wait
模块下的 WebDriverWait
类对象,通过 until()
方法和 until_not()
方法实现元素等待。
until()
:当某个元素加载完成,或者其他设置的条件成立,则会继续执行后续操作。如果还不满足条件,则会间隔一定时间检测一下条件是否成立,直到达到设置的最大时间,最后抛出异常 TimeoutException
。
until_not()
:跟 until()
方法相反,当判断某个元素,或者某个条件不成立时,才会继续执行下一步操作。
# 方法参数说明
WebDriverWait(driver, 超时时间, 频率, 忽略异常).until(可执行的方法, 超时会返回信息内容)
下面我们来看这段代码
# 导入库
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as ECS
from selenium.webdriver.common.by import By
import time
# executable_path 用于指定driver存放路径
browser = webdriver.Chrome(executable_path='/Users/xx/python/chromedriver')
# 打开京东官网
browser.get('https://www.jd.com/')
# 定位要查找的元素
loc = (By.LINK_TEXT, "打开")
try:
# 等待5秒,直到发现元素
WebDriverWait(driver, 5).until(ECS.presence_of_element_located(loc))
except:
# 没有发现元素则会打印提示
print("没有找到对应元素!")
finally:
# 发现元素则执行下面的方法
driver.find_element_by_link_text('打开').click()
#退出浏览器
browser.quit()
使用 WebDriverWait
调用可执行方法,除了可定位的元素,还可以使用 selenium
提供的 expected_conditions
模块中的各种条件,也可以使用 WebElement
的 is_enabled()
,is_selected()
,is_displayed()
等等方法。
总结
好了,今天我们又介绍了下 selenium
元素加载时的三种等待方法,以及等待方法的优缺点,在使用场景下该如何操作等。并写了一些简单例子,给大家学习参考,后续还会为大家介绍更多。OK,今天就聊这些,如果你喜欢记得点 在看
。
上期送书中奖名单来咯,速来围观~
恭喜以上六位中奖的童鞋,快加小编微信(Mayyy530),凭中奖截图来领奖!先到先选哦~
兑奖截止时间:9月3日16:00整
往期推荐
今天因为您的点赞和在看,让我元气满满!