本期推荐的是一个开源基于 python 的 Web 自动化操作集成工具——DrissionPage。

用 requests 做数据采集面对要登录的网站时，要分析数据包、JS 源码，构造复杂的请求，往往还要应付验证码、JS 混淆、签名参数等反爬手段，门槛较高。若数据是由 JS 计算生成的，还须重现计算过程，体验不好，开发效率不高。

使用 selenium，可以很大程度上绕过这些坑，但 selenium 效率不高。因此，这个库将 selenium 和 requests 合而为一，不同须要时切换相应模式，并提供一种人性化的使用方法，提高开发和运行效率。

除了合并两者，本库还以网页为单位封装了常用功能，简化了 selenium 的操作和语句，在用于网页自动化操作时，减少考虑细节，专注功能实现，使用更方便。一切从简，尽量提供简单直接的使用方法，对新手更友好。

特性

• 代码高度集成，以简洁的代码为第一追求。
• 页面对象可在 selenium 和 requests 模式间任意切换，保留登录状态。
• 极简单但强大的元素定位语法，支持链式操作，代码极其简洁。
• 两种模式提供一致的 API，使用体验一致。
• 人性化设计，集成众多实用功能，大大降低开发工作量

亮点功能

• 每次运行程序可以反复使用已经打开的浏览器。如手动设置网页到某个状态，再用程序接管，或手动处理登录，再用程序爬内容。无须每次运行从头启动浏览器，超级方便
• 使用 ini 文件保存常用配置，自动调用，也提供便捷的设置 API，远离繁杂的配置项
• 极致简明的定位语法，支持直接按文本定位元素，支持直接获取前后兄弟元素和父元素等
• 强大的下载工具，操作浏览器时也能享受快捷可靠的下载功能
• 下载工具支持多种方式处理文件名冲突、自动创建目标路径、断链重试等
• 访问网址带自动重试功能，可设置间隔和超时时间
• 访问网页能自动识别编码，无须手动设置
• 链接参数默认自动生成Host和Referer属性
• 可以随时直接隐藏或显示浏览器进程窗口，非 headless 或最小化
• 可自动下载合适版本的 chromedriver，免去麻烦的配置
• d 模式查找元素内置等待，可任意设置全局等待时间或单次查找等待时间
• 点击元素集成 js 点击方式，一个参数即可切换点击方式
• 点击支持失败重试，可用于保证点击成功、判读网页遮罩层是否消失等
• 输入文本能自动判断是否成功并重试，避免某些情况下输入或清空失效的情况发生
• d 模式下支持全功能的 xpath，可直接获取元素的某个属性，selenium 原生无此功能
• 支持直接获取shadow-root，和普通元素一样操作其下的元素
• 支持直接获取after和before伪元素的内容
• 可以在元素下直接使用 > 以 css selector 方式获取当前元素直接子元素。原生不支持这种写法
• 可简单地使用 lxml 来解析 d 模式的页面或元素，爬取复杂页面数据时速度大幅提高
• 输出的数据均已转码及处理基本排版，减少重复劳动
• 可方便地与 selenium 或 requests 原生代码对接，便于项目迁移
• 使用 POM 模式封装，可直接用于测试，便于扩展
• d 模式配置可同时兼容debugger_address和其它参数，原生不能兼容

结构图

如图所示，Drission对象负责链接的创建、共享登录状态等工作，类似 selenium 中 driver 的概念。MixPage对象负责对获取到的页面进行解析、操作。DriverElement和SessionElement则是从页面对象中获取到的元素对象。负责对元素进行解析和操作。

简单演示

与 selenium 代码对比

跳转到第一个标签页

# 使用 selenium：
driver.switch_to.window(driver.window_handles[0])

# 使用 DrissionPage：
page.to_tab(0)

按文本选择下拉列表

# 使用 selenium：
from selenium.webdriver.support.select import Select

select_element = Select(element)
select_element.select_by_visible_text('text')

# 使用 DrissionPage：
element.select('text')

拖拽一个元素

# 使用 selenium：
ActionChains(driver).drag_and_drop(ele1, ele2).perform()

# 使用 DrissionPage：
ele1.drag_to(ele2)

与 requests 代码对比

获取元素内容

url = 'https://baike.baidu.com/item/python'

# 使用 requests：
from lxml import etree

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.118 Safari/537.36'}
response = requests.get(url, headers=headers)
html = etree.HTML(response.text)
element = html.xpath('//h1')[0]
title = element.text

# 使用 DrissionPage：
page = MixPage('s')
page.get(url)
title = page('tag:h1').text

下载文件

url = 'https://www.baidu.com/img/flexible/logo/pc/result.png'
save_path = r'C:\download'

# 使用 requests：
r = requests.get(url)
with open(f'{save_path}\\img.png', 'wb') as fd:
   for chunk in r.iter_content():
       fd.write(chunk)
        
# 使用 DrissionPage：
page.download(url, save_path, 'img')  # 支持重命名，处理文件名冲突，自动创建目标文件夹

爬取新冠排行榜

网址：
https://www.outbreak.my/zh/world，此示例爬取全球新冠情况排行榜。该网站是纯 html 页面，特别适合 s 模式爬取和解析。

from DrissionPage import MixPage

# 用 s 模式创建页面对象
page = MixPage('s')  
# 访问数据网页
page.get('https://www.outbreak.my/zh/world')  

# 获取表头元素
thead = page('tag:thead')  
# 获取表头列，跳过其中的隐藏的列
title = thead.eles('tag:th@@-style:display: none;')  
data = [th.text for th in title]

print(data)  # 打印表头

# 获取内容表格元素
tbody = page('tag:tbody')  
# 获取表格所有行
rows = tbody.eles('tag:tr')  

for row in rows: 
    # 获取当前行所有列
    cols = row.eles('tag:td')  
    # 生成当前行数据列表（跳过其中没用的几列）
    data = [td.text for k, td in enumerate(cols) if k not in (2, 4, 6)]
    
    print(data)  # 打印行数据

输出：

['总 (205)', '累积确诊', '死亡', '治愈', '现有确诊', '死亡率', '恢复率']
['美国', '55252823', '845745', '41467660', '12,939,418', '1.53%', '75.05%']
['印度', '34838804', '481080', '34266363', '91,361', '1.38%', '98.36%']
['巴西', '22277239', '619024', '21567845', '90,370', '2.78%', '96.82%']
['英国', '12748050', '148421', '10271706', '2,327,923', '1.16%', '80.57%']
['俄罗斯', '10499982', '308860', '9463919', '727,203', '2.94%', '90.13%']
['法国', '9740600', '123552', '8037752', '1,579,296', '1.27%', '82.52%']
......

登录 gitee 网站

网址：https://gitee.com/login，此示例演示使用控制浏览器的方式自动登录 gitee 网站。

from DrissionPage import MixPage

# 用 d 模式创建页面对象（默认模式）
page = MixPage()
# 跳转到登录页面
page.get('https://gitee.com/login')

# 定位到账号文本框并输入账号
page.ele('#user_login').input('你的账号')
# 定位到密码文本框并输入密码
page.ele('#user_password').input('你的密码')
# 点击登录按钮
page.ele('@value=登 录').click()

—END—

开源协议：BSD-3-Clause