python3 + selenium + (chrome and firefox)使用

目录

• 瞎扯一句
• 简介
• 最后放模板

瞎扯一句

最近在作一个关于 selenium 相关的项目，在选择浏览器方面，通常有3种方案：

1. chrome
2. phantomJs
3. firefox(推荐)

网上有不少教程是关于PhantomJS的，但是，在2018.3.4日，git开源项目上，ariya宣布暂停更新，具体时间另行通知，截止到2019.3.8日，还没消息。。。
chrome浏览器的教程也是不少的，可是，通过这几天的使用，体验并非很好，对selenium超时的支持不够好，坑了我好久！
在这里隆重推荐firefox浏览器

简介

利用selenium的强大之处在于，能够像人打开浏览器同样，这样能够避免js的各类加密，动态加载之类的，可见便可爬。可是，selenium控制的chrome会暴露出许多参数，是能够经过这些参数来识别selenium的，如今针对selenium的反爬网站其实不少了。据说可使用pyppeteer(puppeteer的py版),之后要学。

今天发现一个好用的方法driver.set_page_load_timeout(self.timeout), 让我不得不仔细学习几种超时的用法了

1. driver.implicitly_wait(1)
2. driver.set_page_load_timeout(15)
3. driver.set_script_timeout(15)

1.implicitly_wait

官方注释：

Sets a sticky timeout to implicitly wait for an element to be found,
or a command to complete. This method only needs to be called one
time per session. To set the timeout for calls to
execute_async_script, see set_script_timeout.

当你在调用find_element_by...方法时，会用到此方法，而且它是driver全局的，只要设置1次，因此当你想查找某元素，找不到立刻放弃时，要设置得比较小才行

2.set_page_load_timeout

官方注释：

Set the amount of time to wait for a page load to complete
before throwing an error.

当你在调用driver.get()方法打开某网站时，其实某网站已经差很少加载完成了，但好比某图片，某异步请求没完成，一直转圈圈，get方法是不会结束的，set_page_load_timeout就是来设置这个的，示例：

driver = webdriver.Chrome()
driver.set_page_load_timeout(15)  # 设定页面加载限制时间

try:
    driver.get('https://www.toutiao.com')
except TimeoutException:
    driver.execute_script('window.stop()')  # 中止加载

print(driver.page_resource)
driver.quit()

可是！！！chrome浏览器不支持这个很是重要的配置，一旦TimeoutException，driver的全部操做都会报TimeoutException异常，不能进行下去了。因此我推荐firefox浏览器

3.set_script_timeout

官方注释：

Set the amount of time that the script should wait during an
execute_async_script call before throwing an error.

这是控制异步脚本执行时间，超时抛TimeoutException异常

4.WebDriverWait Class

示例：

from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
wait = WebDriverWait(driver, 15, 0.5)
wait.until(EC.presence_of_element_located((By.XPATH, 'express')))

我喜欢使用的找元素的等待类，15秒超时，每0.5秒根据要求找元素，找到了就结束until，15后没找到会抛TimeoutException异常

最后放模板

1.set_page_load_timeout模板

from selenium.common.exceptions import TimeoutException

t0 = time.time()
print("cur time is: %s" % (time.time() - t0))
driver = webdriver.Chrome()
driver.set_page_load_timeout(5)  # 设定页面加载限制时间
driver.maximize_window()

try:
    print("cur time is: %s" % (time.time() - t0))
    driver.get('http://www.autohome.com.cn/')
except TimeoutException:
    print("cur time is: %s" % (time.time() - t0))
    try:
        driver.execute_script('window.stop()')  # 当页面加载时间超过设定时间，经过执行Javascript来stop加载，便可执行后续动做
    except:
        pass
print("cur time is: %s" % (time.time() - t0))

2.selenium + chrome 模板

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('disable-infobars')  # 去掉提示
# 必定要注意，=两边不能有空格，不能是这样"--proxy-server = http://202.20.16.82:10152"
# chrome_options.add_argument("--proxy-server=http://192.168.60.15:808")  # 设置代理

# chrome_options.add_argument('start-fullscreen')  # 启动就全屏 F11那种

# chrome_options.add_argument('-lang=zh-CN')  # 中文，貌似没用
# 语言，设为中文
# prefs = {'intl.accept_languages': 'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3'}
# chrome_options.add_experimental_option('prefs', prefs)

# chrome_options.add_argument('blink-settings=imagesEnabled=false')  # 不加载图片, 提高速度
# chrome_options.add_argument('--headless')  # 浏览器不提供可视化页面. linux下若是系统不支持可视化不加这条会启动失败

# chrome_options.add_argument('window-size=1920x3000')  # 指定浏览器分辨率
# chrome_options.add_argument('--disable-gpu')  # 谷歌文档提到须要加上这个属性来规避bug
# chrome_options.add_argument('--hide-scrollbars')  # 隐藏滚动条, 应对一些特殊页面

# chrome_options.binary_location = r"C:\Program Files (x86)\Google\Chrome\Application\chrome.exe" #手动指定使用的浏览器位置


TIMEOUT = 15


class Display(object):

    def __init__(self):
        self.driver = webdriver.Chrome(options=chrome_options)  # 配置好了环境变量能够不用写executable_path
        # self.driver.set_page_load_timeout(TIMEOUT)
        self.wait = WebDriverWait(self.driver, TIMEOUT, 0.5)

    def __del__(self):
        if self.driver:
            self.driver.close()

    def fetch(self, url):
        self.driver.maximize_window()  # 放大
        
        self.driver.get(url)  # 发请求

        # self.driver.execute_script('window.location.reload();')  # 刷新

        self.wait.until(EC.presence_of_element_located((By.ID, 'kw')))
        self.driver.find_element_by_id('kw').send_keys('selenium')

        self.driver.find_element_by_id('su').click()

        self.wait.until(EC.presence_of_element_located((By.ID, '1')))

        return self.driver.page_source


d = Display()
print(d.fetch('https://www.baidu.com'))

3selenium + firefox 模板

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC


TIMEOUT = 15


class Display(object):

    def __init__(self):
        # 无界模式
        options = webdriver.FirefoxOptions()
        options.headless = True
        profile = webdriver.FirefoxProfile()
        # 禁用图片
        profile.set_preference('permissions.default.image', 2)

        self.driver = webdriver.Firefox(desired_capabilities=DESIRED_CAP, profile=profile,
                                       options=options)
        self.driver.set_page_load_timeout(TIMEOUT)
        self.wait = WebDriverWait(self.driver, TIMEOUT, 0.5)

    def __del__(self):
        if self.driver:
            self.driver.close()

    def fetch(self, url):
        self.driver.maximize_window()  # 放大
        
        self.driver.get(url)  # 发请求

        # self.driver.execute_script('window.location.reload();')  # 刷新

        self.wait.until(EC.presence_of_element_located((By.ID, 'kw')))
        self.driver.find_element_by_id('kw').send_keys('selenium')

        self.driver.find_element_by_id('su').click()

        self.wait.until(EC.presence_of_element_located((By.ID, '1')))

        return self.driver.page_source