1. 背景
最近在工作中有需要使用到爬虫的地方,需要根据 Gitlab + Python 实现一套定时爬取数据的工具,所以借此机会,针对 Python 爬虫方面的知识进行了学习,也算 Python 爬虫入门了。
需要了解的知识点:
- Python 基础语法
- Python 网络请求,requests 模块的基本使用
- BeautifulSoup 库的使用
- 正则表达式
- Selenium 的基本使用
下面针对上面的每部分做个简单的介绍。
小编给大家整理了全套Python爬虫入门资料,点击下方链接或者扫描二维码直接领取。
2\. Python 基础语法 ---------------最新全套【Python入门到进阶资料 & 实战源码 &安装工具】(安全链接,放心点击)文章来源:https://www.toymoban.com/news/detail-815256.html
学习任何一门编程语言都必须掌握其语法知识,Python 也不例外。如果有其它变成语言基础,上手 Python 还是非常快的。
2.1 变量
在 Python 中,定义一个变量的操作分为两步:首先要为变量起一个名字,称为变量的命名;然后要为变量指定其所代表的数据,称为变量的赋值。这两个步骤在同一行代码中完成。
version = '1'
Python 中的变量命名规范与其它开发语言差不多,基本的规则如下:
- 变量名可以由任意数量的字母、数字、下划线组合而成,但是必须以字母或下划线开头,不能以数字开头。
- 不要用 Python 的保留字或内置函数来命名变量。例如,不要用 import 来命名变量,因为它是 Python 的保留字,有特殊的含义。
- 变量名对英文字母区分大小写。例如,D 和 d 是两个不同的变量。
2.2 数据类型
Python 中有 6 种基本数据类型:数字(Numbers)、字符串(String)、列表(List)、字典(Dictionary)、元组(Tuple)和集合。
2.2.1 数据类型
在 Python 中定义变量后需要及时指明对应的数据类型。同时也可以使用 del 变量名 删除对象引用。
num = 0
pi = 3.14
name = "abc"
# 定义列表 [],列表元素可以修改
list = [12, 2, 212, 44, 5, 6]
dic = {
"k1": "v1",
"k2": "v2",
}
# 集合类型用 set 标识, 创建使用 { } 或者 set()
s1 = {1, 2, 3, 3, 2, 2, 2, 1, "1"}
# 元组用 () 表示,元组的元素不能修改
tuple = ( 'runoob', 786 , 2.23, 'john', 70.2 )
del s1
对于每种数据类型,都有一些常用的方法:
数据类型 | 方法 |
---|---|
字符串 | |
- [ : ]:截取字符串中的一部分(切片),遵循左闭右开原则; | |
- []:通过索引获取字符串中字符; | |
- in:如果字符串中包含给定的字符返回 True; | |
- not in:成员运算符 - 如果字符串中不包含给定的字符返回 True | |
- capitalize():将字符串的第一个字符转换为大写; | |
- endswith(suffix, beg=0, end=len(string)):检查字符串是否以指定的字符串结束,如果是,返回 True,否则返回 False; | |
- find(str, beg=0, end=len(string)):检测 str 是否包含在字符串中,如果包含,返回开始的索引值,否则返回-1; | |
- index(str, beg=0, end=len(string)):跟find()方法一样,只不过如果str不在字符串中会报一个异常; | |
- len(string):返回字符串长度; | |
- replace(old, new [, max]):把将字符串中的 old 替换成 new,如果 max 指定,则替换不超过 max 次; | |
- rstrip():删除字符串末尾的空格或指定字符; | |
- split(str=“”, num=string.count(str)):以 str 为分隔符截取字符串,如果 num 有指定值,则仅截取 num+1 个子字符串。 | |
列表/元组 | |
- len(list):列表元素个数; | |
- list(seq):将序列(元组,集合等)转换为列表; | |
- list.append(obj):在列表末尾添加新的对象; | |
- list.index(obj):从列表中找出某个值第一个匹配项的索引位置; | |
- list.remove(obj):移除列表中某个值的第一个匹配项; | |
- list.clear():清空列表。 | |
字典 | |
- len(dict):计算字典元素个数,即键的总数; | |
- key in dict:如果键在字典dict里返回true,否则返回false; | |
- radiansdict.items():以列表返回可遍历的(键, 值) 元组数组; | |
- radiansdict.keys():以列表返回一个字典所有的键; | |
- radiansdict.values():以列表返回字典中的所有值。 | |
2.2.2 类型转换
字符串类型转换通过 str() 函数可以将一个变量转换为字符串类型。
- int(x) 将x转换为一个整数。
- float(x) 将x转换到一个浮点数。
- complex(x) 将x转换到一个复数,实数部分为 x,虚数部分为 0。
- complex(x, y) 将 x 和 y 转换到一个复数,实数部分为 x,虚数部分为 y。x 和 y 是数字表达式。
- str(x) 将对象 x 转换为字符串。
2.3 基础运算符
在 Python 中运算符基本与其它开发语言一致,常用的运算符有算术运算符、字符串运算符、比较运算符、赋值运算符和逻辑运算符。
算术运算符
比较运算符
逻辑运算符
2.4 控制语句
Python 的控制语句分为条件语句和循环语句,前者为 if 语句,后者为 for 语句和 while 语句。
2.4.1 if 语句
if 语句主要用于条件判断,满足特定条件执行语句。
if 条件: # 注意不要遗漏冒号
代码1 # 注意代码前要有缩进
else: # 注意不要遗漏冒号
代码2 # 注意代码前要有缩进
一个简单的示例:
grade = 60
if grade >= 60:
print("及格")
else:
print("不及格")
2.4.2 for 循环
for 语句常用于完成指定次数的重复操作
for i in 序列: # 注意不要遗漏冒号
要重复执行的代码 # 注意代码前要有缩进
简单示例:
numbers = [12, 2, 212, 44, 5, 6]
for item in numbers:
print(item)
2.4.3 while 语句
while 语句用于在指定条件成立时重复执行操作。
while 条件: # 注意不要遗漏冒号
要重复执行的代码 # 注意代码前要有缩进
简单示例:
a = 60
while a < 70:
print(a)
a = a + 1
2.5 函数
Python 提供了诸多的内置函数,比如 str()、int() 等,但是在开发时,也需要经常用到自定义函数。
在 Python 中使用 def 关键字定义一个函数。
def 函数名(参数):
实现函数功能的代码
如果需要返回值,则需要使用 return 进行返回。
def data_transform():
# 具体的实现逻辑
return True
2.6 模块导入
要使用模块,就需要安装和导入模块。模块的两种导入方法:import 语句导入法和 from语句导入法。
- import 语法会导入模块内所有方法,一般如果用包的方法较多可以选择;
- from 模块名 import 函数名:导入某块中某个函数,
import math # 导入math模块
import turtle # 导入turtle模块
from math import sqrt # 导入math模块中的单个函数
from turtle import forward, backward, right, left # 导入turtle模块中的多个函数
模块的安装使用 pip install 指令:
pip install "SomeProject"
3. 网络请求与数据解析
爬虫肯定需要了解基础的网络请求和基础的 HTML 知识,能够认识基础的 HTML 标签。
3.1 requests 包
requests 包可以模拟浏览器发起 HTTP 或 HTTPS 协议的网络请求,从而获取网页源代码。
使用也比较简单,先安装模块:pip3 install requests.
get 请求
比如抓取百度首页的信息。
import requests
response = requests.get(url='https://www.baidu.com')
print(response.text)
输出如下:
**post **请求
# 测试请求地址
req_url = "https://juejin.org/post"
# 表单数据
formdata = {
'username': 'admin',
'password': 'a123456',
}
# 添加请求头
req_header = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36',
}
# 发起请求
response = requests.post(
req_url,
data=formdata,
headers=req_header
)
print(response.text)
通过 requests 模块发送网络请求,非常简单,容易上手。
3.2 BeautifulSoup 数据解析
BeautifulSoup 模块是一个 HTML/XML 解析器,主要用于解析和提取 HTML/XML 文档中的数据。该模块不仅支持 Python 标准库中的 HTML 解析器 lxml,而且支持许多功能强大的第三方解析器。
在使用前先通过 pip 指令安装模块:pip install beautifulsoup4
。
3.2.1 简单使用
以请求百度首页为例。
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
print(soup.prettify())
打印输出以下信息:
<!DOCTYPE html>
<!--STATUS OK-->
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type"/>
<meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
<meta content="always" name="referrer"/>
<link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
<title>
ç™¾åº¦ä¸€ä¸‹ï¼Œä½ å°±çŸ¥é“
</title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div class="s_form">
<div class="s_form_wrapper">
<div id="lg">
<img height="129" hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270"/>
</div>
<form action="//www.baidu.com/s" class="fm" id="form" name="f">
<input name="bdorz_come" type="hidden" value="1"/>
<input name="ie" type="hidden" value="utf-8"/>
<input name="f" type="hidden" value="8"/>
<input name="rsv_bp" type="hidden" value="1"/>
<input name="rsv_idx" type="hidden" value="1"/>
<input name="tn" type="hidden" value="baidu"/>
<span class="bg s_ipt_wr">
<input autocomplete="off" autofocus="autofocus" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/>
</span>
<span class="bg s_btn_wr">
<input autofocus="" class="bg s_btn" id="su" type="submit" value="百度一下"/>
</span>
</form>
</div>
</div>
...
</div>
</div>
</div>
</body>
</html>
通过 BeautifulSoup 库可以将请求的网址信息按照标签进行转换展示。下面学习 BeautifulSoup 提供的标签操作方法。
3.2.2 查找标签
依照上一节中的百度首页为例,下面分别介绍 BeautifulSoup 中常用的方法。
查找指定标签名
在网页源码中,存在很多类型的标签。通过标签名进行定位只能返回其中的第一个标签。
比如我们查找定位 标签。
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
print(soup.input)
输出结果:
<input name="bdorz_come" type="hidden" value="1"/>
查找指定属性的标签
标签的属性有:name、class、id 等,我们使用 find 或 find_all 方法查找标签对应的所有属性。
import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
# print(soup.prettify())
# 查找 class 属性为 bg s_ipt_wr 的标签
bg_tags = soup.find_all(class_='bg s_ipt_wr')
for tag in bg_tags:
print(tag) # 输出 <span class="bg s_ipt_wr"><input autocomplete="off" autofocus="autofocus" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/></span>
# 查找 name = rsv_idx
idx = soup.find(attrs={'name': 'rsv_idx'})
print(idx) # 输出 <input name="rsv_idx" type="hidden" value="1"/>
在上面的示例中,我们通过 find_all 方法查找所有 class_= 'bg s_ipt_wr'
的标签。因为 class 这个单词本身是 Python 的保留字,所以 BeautifulSoup 模块中的 class 属性在末尾添加了下划线来进行区分。其他标签属性,如 id 属性,则没有添加下划线。
通过标签名+属性查找
通过指定标签名 + 属性值可以实现更准确的查找。
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
# print(soup.prettify())
# 查找 input 标签且属性 name = rsv_idx
idx = soup.find('input', attrs={'name': 'rsv_idx'})
print(idx) # 输出 <input name="rsv_idx" type="hidden" value="1"/>
3.2.3 选择标签
在上一小节中介绍了 find 方法用于查找标签,使用 select() 函数可以根据指定的选择器返回所有符合条件的标签。常用的选择器有 id 选择器、class 选择器、标签选择器和层级选择器。
1. 标签选择器
根据指定的标签进行筛选。在 find 中根据指定标签名查找时只会返回第一个匹配项。使用 select 标签返回所有。
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
# print(soup.prettify())
input_tag = soup.select('input')
print(input_tag)
# 输出 [<input name="bdorz_come" type="hidden" value="1"/>, <input name="ie" type="hidden" value="utf-8"/>]
在 select 中直接查找对应的标签名,会输出所有的标签。
2. id 选择器
id 选择器是根据 id 值查找对应的标签。格式 ‘#id值’
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
# print(soup.prettify())
input_tag = soup.select('#kw')
print(input_tag)
# 输出 [<input autocomplete="off" autofocus="autofocus" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/>]
上面的示例中,查找 id 值为 kw 的标签。注意输出是列表形式。
3. class 选择器
class 选择器根据 class 属性值查找对应的标签,格式为 ‘.class属性值’
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
# print(soup.prettify())
input_tag = soup.select('.s_ipt')
print(input_tag)
# 输出 [<input autocomplete="off" autofocus="autofocus" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/>]
上面的示例中,查找 class 值为 s_ipt 的标签。注意输出是列表形式。
4. 层级筛选器
在 HTML 中标签嵌套很常见,标签在不同的层级形成嵌套结构。通过 标签>标签
这种指向结构来定位。
<div class="s_form_wrapper">
<div id="lg">
<img height="129" hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270"/>
</div>
<form action="//www.baidu.com/s" class="fm" id="form" name="f">
<input name="bdorz_come" type="hidden" value="1"/>
<input name="ie" type="hidden" value="utf-8"/>
<input name="f" type="hidden" value="8"/>
<input name="rsv_bp" type="hidden" value="1"/>
<input name="rsv_idx" type="hidden" value="1"/>
<input name="tn" type="hidden" value="baidu"/>
<span class="bg s_ipt_wr">
<input autocomplete="off" autofocus="autofocus" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/>
</span>
<span class="bg s_btn_wr">
<input autofocus="" class="bg s_btn" id="su" type="submit" value="百度一下"/>
</span>
</form>
</div>
使用上面的示例数据,我们来验证。
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
# 查找所有 <div> 标签下 <div> 标签的 id 属性值为 lg 的标签
div_tag = soup.select('div>div>#lg')
# 输出结果 [<div id="lg"> <img height="129" hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270"/> </div>]
print(div_tag)
# 查找 <form> 标签下所有的 input 标签
input_tag = soup.select('form>input')
print(input_tag)
# 输出结果 [<input name="bdorz_come" type="hidden" value="1"/>, <input name="ie" type="hidden" value="utf-8"/>, <input name="f" type="hidden" value="8"/>, <input name="rsv_bp" type="hidden" value="1"/>, <input name="rsv_idx" type="hidden" value="1"/>, <input name="tn" type="hidden" value="baidu"/>]
form_tag = soup.select('div>form span')
print(form_tag)
“>” 在层级选择器中表示向下找一个层级,中间不能有其他层级。如果中间有空格表示中间可以有多个层级。
3.2.4 提取内容和属性
找到标签后,我们需要读取标签对应的内容或者属性。
提取标签内容
获取标签后我们需要查找标签中的内容,可以利用 string 或 text 来提取。string 属性返回的是指定标签的直系文本,即直接存在于该标签中的文本,而不是存在于该标签下的其他标签中的文本。text 属性返回的则是指定标签下的所有文本。
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
# 查找所有 <div> 标签下 <div> 标签的 id 属性值为 lg 的标签
div_tag = soup.select('div>a')
print(div_tag[0].string)
print(div_tag[0].text)
从标签中提取属性
对于找到的标签,提取属性直接使用 tag['属性表']
即可。
if __name__ == '__main__':
url = "https://www.baidu.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
div_tag = soup.select('form>input') # [<input name="bdorz_come" type="hidden" value="1"/>]
print(div_tag[0]['name']) # bdorz_come
print(div_tag[0]['type']) # hidden
至此,我们基本完成了对 beautifulSoup 库的学习。
4. 正则表达式
正则表达式是一种用于匹配和操作文本的强大工具,它是由一系列字符和特殊字符组成的模式,用于描述要匹配的文本模式。正则表达对网页源代码的字符串进行匹配,从而提取出需要的数据。
4.1 普通字符
普通字符包括没有显式指定为元字符的所有可打印和不可打印字符。这包括所有大写和小写字母、所有数字、所有标点符号和一些其他符号。
符号 | 描述 |
---|---|
\W | 匹配任何非单词字符。等价于“[^A-Za-z0-9_]”。 |
\w | 匹配包括下划线的任何单词字符。等价于“[A-Za-z0-9_]”。 |
\s | 匹配任何空白字符,包括空格、制表符、换页符等等。等价于[ \f\n\r\t\v]。 |
\S | 匹配任何非空白字符。等价于[^ \f\n\r\t\v]。 |
\d | 匹配一个数字字符。等价于[0-9]。 |
\D | 匹配一个非数字字符。等价于[^0-9]。 |
示例代码:
if __name__ == '__main__':
str = 'kdd199ok98 a123 343'
print(re.findall('\W', str)) # 匹配任何非单词字符,[' ', ' ']
print(re.findall('\w', str)) # 匹配任何单词字符,['k', 'd', 'd', '1', '9', '9', 'o', 'k', '9', '8', 'a', '1', '2', '3', '3', '4', '3']
print(re.findall('\S', str)) # 匹配任何非空白字符,['k', 'd', 'd', '1', '9', '9', 'o', 'k', '9', '8', 'a', '1', '2', '3', '3', '4', '3']
print(re.findall('\s', str)) # 匹配空白字符,[' ', ' ']
print(re.findall('\D', str)) # 匹配非数字,['k', 'd', 'd', 'o', 'k', ' ', 'a', ' ']
print(re.findall('\d', str)) # 匹配数字,['1', '9', '9', '9', '8', '1', '2', '3', '3', '4', '3']
4.2 元字符
元字符是正则表达式中有特殊含义的字符,可以设置字符的匹配模式。
符号 | 描述 |
---|---|
$ | 匹配输入字符串的结尾位置。如果设置了 RegExp 对象的 Multiline 属性,则 也匹配′n′或′r′。要匹配也匹配 ‘\\n’ 或 ‘\\r’。要匹配也匹配′n′或′r′。要匹配 字符本身,请使用 \$。 |
( ) | 标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符,请使用 \( 和 \)。 |
* | 匹配前面的子表达式零次或多次。要匹配 * 字符,请使用 \*。 |
+ | 匹配前面的子表达式一次或多次。要匹配 + 字符,请使用 \+。 |
. | 匹配除换行符 \n 之外的任何单字符。要匹配 . ,请使用 \. 。 |
[ | 标记一个中括号表达式的开始。要匹配 [,请使用 \[。 |
? | 匹配前面的子表达式零次或一次,或指明一个非贪婪限定符。要匹配 ? 字符,请使用 \?。 |
\ | 将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如, ‘n’ 匹配字符 ‘n’。‘\n’ 匹配换行符。序列 ‘\\’ 匹配 “\”,而 ‘\(’ 则匹配 “(”。 |
匹配输入字符串的开始位置,除非在方括号表达式中使用,当该符号在方括号表达式中使用时,表示不接受该方括号表达式中的字符集合。要匹配 ^ 字符本身,请使用 \^。 | |
{n} | n 是一个非负整数。匹配确定的 n 次。 |
{n,} | n 是一个非负整数。至少匹配n 次。 |
{n,m} | m 和 n 均为非负整数,其中 n <= m。最少匹配 n 次且最多匹配 m 次。 |
示例代码:
if __name__ == '__main__':
str = 'akdd1d199ok98 d123 3438'
print(re.findall('8$', str)) # 匹配以 8 结尾的字符,['8']
print(re.findall('3$', str)) # 匹配以 3 结尾的字符,[]
print(re.findall('^a', str)) # 匹配以 a 开头的字符,['a']
print(re.findall('^d', str)) # 匹配以 d 开头的字符,[]
print(re.findall('(d1)?', str)) # 匹配 d1 零次或一次的字符,['', '', 'd1', '', '', '', '', '', '', '', 'd1', '', '', '', '', '', '', '', '']
print(re.findall('(d1)+', str)) # 匹配 d1 一次或多次的字符,['d1', 'd1']
print(re.findall('(d1)*', str)) # 匹配 d1 零次或多次的字符,['', '', 'd1', '', '', '', '', '', '', '', 'd1', '', '', '', '', '', '', '', '']
print(re.findall('(d1){2,}', str)) # 匹配 d1 最少 2 次的字符,['d1']
print(re.findall('(d1){1,2}', str)) # 匹配 d1 最少 1 次,最多 2 次的字符,['d1', 'd1']
print(re.findall('(d.d)', str)) # 匹配 (d.d) 的字符,['d1d']
print(re.findall('(d?d)', str)) # 匹配 (d?d) 的字符,['dd', 'd', 'd']
print(re.findall('[ad]', str)) # 匹配字符集合 [ad] 的字符,['a', 'd', 'd', 'd', 'd']
print(re.findall('(ad)', str)) # 匹配表达式 ad ,[]
正在表达式基础,但是想灵活运用起来还需要多加练习,太灵活可以组装很多模式。
5. Selenium 的基本使用
通过 requests 模块可以实现对一些静态网页的请求,对于一些动态与浏览器需要交互的地址则不能满足。而 Selenium 模块则能控制浏览器发送请求,并和获取到的网页中的元素进行交互,因此,只要是浏览器发送请求能得到的数据,Selenium 模块也能直接得到。
5.1 环境安装
使用 Selenium 模块需要先下载和安装浏览器驱动程序,然后在编程时通过 Selenium 模块实例化一个浏览器对象,再通过浏览器对象访问网页和操作网页元素。
5.1.1 安装 Selenium 模块
安装比较简单,直接使用 pip install selenium
安装就行了。比较重要的是安装浏览器驱动程序。
2.1.2 安装浏览器驱动程序
在网址 chromedriver.storage.googleapis.com/index.html 中可以下载对应版本的浏览器驱动程序。
查看自己浏览器版本,在浏览器中输入:chrome://version/
选择对应的电脑端系统,比如我是 Mac 系统,下载对应的即可。解压之后放到环境路径或者项目中都行,只要在使用时指定对应的环境即可。
5.1.3 打开页面
这里已打开百度网站为例。我将 webdriver 放到项目路径中。
from selenium import webdriver
if __name__ == '__main__':
browser = webdriver.Chrome(executable_path='./chromedriver_mac64/chromedriver')
browser.get('https://www.baidu.com')
5.2 常见 API
5.2.1 浏览器操作
webdriver 返回的 browser 对象中,提供了丰富的 API 用于操作浏览器。
browser.maximize_window() | 最大化浏览器 |
---|---|
browser.current_url | 当前网页 url |
browser.get_cookie() | 当前网页用到的 cookie 信息 |
browser.name | 当前浏览器驱动名称 |
browser.title | 当前网页标题 |
browser.page_source | 获取当前网页源代码 |
browser.current_window_handle | 获取当前网页的窗口 |
browser.refresh() | 刷新当前网页 |
browser.quit() | 关闭浏览器 |
browser.close() | 关闭当前网页 |
browser.back() | 返回上一页 |
5.2.2 查找标签
完成了网页的访问后,如果需要模拟用户操作网页元素,则需要先通过标签来定位网页元素。
find_element(self, by=By.ID, value=None)� 查找元素,其中 By.ID 是枚举类型:
- ID:通过元素 id 定位;
- XPATH:通过 xpath 表达式定位;
- LINK_TEXT:通过完整超链接定位;
- PARTIAL_LINK_TEXT:通过模糊超链接定位;
- NAME:通过元素 name 定位;
- TAG_NAME:通过标签定位;
- CLASS_NAME:通过 class 进行定位;
- CSS_SELECTOR:通过 css 选择器进行定位。
使用示例:
from selenium import webdriver
from selenium.webdriver.common.by import By
if __name__ == '__main__':
browser = webdriver.Chrome(executable_path='./chromedriver_mac64/chromedriver')
browser.get('https://www.baidu.com')
tag1 = browser.find_element(by=By.ID, value='form')
print(tag1.get_attribute("class"))
找到标签后,就可以通过 get_attribute 方法获取对应的属性值。
5.3 模拟鼠标操作
常用的鼠标操作有单击、双击、右击、长按、拖动、移动等,模拟这些操作需要用到 Selenium 模块中的ActionChains 类。它提供了以下方法:
- click():模拟点击;
- double_click():模拟双击;
- click_and_hold():鼠标长按;
- click_and_hold():释放鼠标按;
下面以打开百度首页的图片链接为例:
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
if __name__ == '__main__':
browser = webdriver.Chrome(executable_path='./chromedriver_mac64/chromedriver')
browser.get('https://www.baidu.com')
# 找到图片链接
alink = browser.find_element(by=By.LINK_TEXT, value='图片')
print(alink.get_attribute("href"))
actions = ActionChains(browser)
actions.click(alink).perform()
运行成功后,会首先打开百度首页,然后跳转到百度图片页面。
6. 总结
以上就是今天的全部内容分享,觉得有用的话欢迎点赞收藏哦!
Python经验分享
学好 Python 不论是用于就业还是做副业赚钱都不错,而且学好Python还能契合未来发展趋势——人工智能、机器学习、深度学习等。
小编是一名Python开发工程师,自己整理了一套最新的Python系统学习教程,包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习等。如果你也喜欢编程,想通过学习Python转行、做副业或者提升工作效率,这份【最新全套Python学习资料】 一定对你有用!
小编为对Python感兴趣的小伙伴准备了以下籽料 !
对于0基础小白入门:
如果你是零基础小白,想快速入门Python是可以考虑培训的!
- 学习时间相对较短,学习内容更全面更集中
- 可以找到适合自己的学习方案
包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,人工智能、机器学习、Python量化交易等学习教程。带你从零基础系统性的学好Python!
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
最新全套【Python入门到进阶资料 & 实战源码 &安装工具】(安全链接,放心点击)
我已经上传至CSDN官方,如果需要可以扫描下方官方二维码免费获取【保证100%免费】
*今天的分享就到这里,喜欢且对你有所帮助的话,记得点赞关注哦~下回见 !文章来源地址https://www.toymoban.com/news/detail-815256.html
到了这里,关于全网最详细!!Python 爬虫快速入门的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!