Python爬虫(二十一)_Selenium与PhantomJS

本章将介绍使用Selenium和PhantomJS两种工具用来加载动态数据，更多内容请参考：Python学习指南

Selenium

Selenium是一个Web的自动化测试工具，最初是为网站自动化测试而开发的，最初是为网站自动化测试而开发的，类型像我们玩游戏用的按键精灵，可以按指定的命令自动化操作，不同是Selenium可以直接运行在浏览器上，它支持所有主流的浏览器(包括PhantomJS这些无界面的浏览器)。

Selenium可以根据我们的指令，让浏览器自动加载页面，获取需要的页面，甚至页面截屏，或者判断网站上某些动作是否发生。

Selenium自己不带浏览器，不支持浏览器的功能，它需要与第三方浏览器结合在一起才能使用。但是我们有时候需要让它内嵌在代码中运行，所有我们而已用一个叫PhantomJS的工具代替真实的浏览器。

可以从PyPI网站下载Selenium库/simple/sulenium,也可以用第三方管理器pip命令安装:pip install selenium

Selenium官方参考文档：http://selenium-python.readthedocs.io/index.html

PhantomJS

PhantomJS是一个基于Webkit的"无界面"(headless)浏览器，它会把网站加载到内存并执行页面上的JavaScript，因为不会展示图形界面，所以运行起来比完整的浏览器更高效。

如果我们把Selenium和PhantomJS结合在一起，就可以运行一个非常强大的网络爬虫了，这个爬虫可以处理JavaScript、Cookie、headers，以及任何我们真实用户需要做的事情。

注意：PhantomJS只能从它的网站(/download.html)下载。因为PhantomJS是一个功能完善(虽然无界面)的浏览器而非一个Python库，所以它不需要像Python的其它库一样安装，但我们可以通过Selenium调用PhantomJS来直接使用

PhantomsJS官方才考文档：/documention

快速入门

Selenium库里有一个叫WebDriver的API。WebDriver可以控制浏览器的操作，它可以像BeautifulSoup或者其它Selector对象一样用来查找页面元素，与页面上的元素进行交互(发送文本、点击等)，以及执行其他动作来运行网络爬虫。

#-*- coding:utf-8 -*-#主要用来测试selenium使用phantomJs#导入webdriverfrom selenium import webdriverimport time#要想调用键盘按键操作需要引入keys包from mon.keys import Keys#调用环境变量指定的PhantomJS浏览器创建浏览器对象driver = webdriver.PhantomJS()driver.set_window_size(1366, 768)#如果没有在环境变量指定PhantomJS位置#driver = webdriver.PhantomJS(executable_path = "./phantomjs")#get方法会一直等到页面加载，然后才会继续程序，通常测试会在这里选择time.sleep(2)driver.get("/")#获取页面名为wraper的id标签的文本内容data = driver.find_element_by_id('wrapper').text#打印数据内容print(data)print driver.title#生成页面快照并保存driver.save_screenshot("baidu.png")# id="kw"是百度搜索输入框，输入字符串"长城"driver.find_element_by_id('kw').send_keys(u'长城')# id="su"是百度搜索按钮，click()是模拟点击driver.find_element_by_id('su').click()#获取新的页面快照driver.save_screenshot("长城.png")#打印网页渲染后的源代码print(driver.page_source)#获取当前页面Cookieprint(driver.get_cookies())#ctrl+a全选输入框内容driver.find_element_by_id('kw').send_keys(Keys.CONTROL, 'a')#ctrl+x剪切输入框内容driver.find_element_by_id('kw').send_keys(Keys.CONTROL, 'x')#输入框重新输入内容driver.find_element_by_id('kw').send_keys('itcast')#模拟Enter回车键driver.find_element_by_id('su').send_keys(Keys.RETURN)time.sleep(5)#清空输入框内容driver.find_element_by_id('kw').clear()#生成新的页面快照driver.save_screenshot('itcast.png')#获取当前urlprint(driver.current_url)driver.quit()

页面操作

Selenium的WebDriver提供了各种方法来寻找元素，假设下面有一个表单输入框：

<input type="text" name="user-name" id="passwd-id" />

那么：

#获取id标签值element = driver.find_element_by_id("passwd-id")#获取name值element = driver.find_element_by_name("user-name")#获取标签名element = driver.find_element_by_tag("input")#也可以通过XPath来匹配element = driver.find_element_by_xpath(//input[@id="passwd-id"])

定位UI元素(WebElements)

关于元素的选取，有如下的API单个元素选取

find_element_by_idfind_element_by_namefind_element_by_xpathfind_element_by_link_textfind_element_by_partial_link_textfind_eelement_by_tag_namefind_element_by_class_namefind_element_by_css_selector

1. By ID

<div id="coolesWidgeEvah">...</div>

实现

element = driver.find_element_by_id("coolesWidgetEvah")---------or-------from mon.by import Byelement = driver.find_element(by=By.ID, value="coolesWidgetEvah")

2. By Class Name

<div class="cheese"><span>Cheddar</span></div><div class="cheese"><span>Gouda</span></div>

实现

cheese = driver.find_element_by_class_name('cheese')----------------or--------------------from mon.by import Bycheese = driver.find_elements(By.CLASS_NAME, "cheese")

3. By Tag Name

<iframe src="..."></iframe>

实现

frame = driver.find_element_by_tag_name("iframe")------------------------or---------------from mon.by import Byframe = driver.find_element(By.TAG_NAME, "iframe")

4.By Name

<imput name="cheese" type="text" />

实现

cheese = driver.find_element_by_name("cheese")-------------or-------------------------from mon.by import Bycheese = driver.find_element(By.NAME, "cheese")

5. By Link Text

<a href="/search?q=cheese">cheese</a>

实现

cheese = driver.find_element_by_link_text("cheese")---------------------or-----------------------from mon.by import Bycheese = driver.find_element(By.LINK_TEXT, "cheese")

6.By Partial Link Text

<a href="/search?q=cheese">search for cheese</a>

实现

cheese = driver.find_element_by_partial_link_text("cheese")-----------------or-----------------from mon.by import Bycheese = driver.find_element(By.PARTIAL_LINK_TEXT, "cheese")

6.By CSS

<div id="food"><span class="dairy">milk</span><span class="dairy">cheese</span></div>

实现

cheese = driver.find_element_by_css_selector("#food span.dairy.aged")----------------or-------------------------------from mon.by import Bycheese = driver.find_element(By.CSS_SELECTOR, "#food span.dairy.aged")

7.By XPath

<input type="text" name="example" / ><input type="text" name="other" / >

实现

inputs = driver.find_elements_by_xpath("input")-------------------or------------------from mon.by import Byinputs = driver.find_elements(By.XPATH, "//input")

鼠标动作链

有些时候，我们需要在页面上模拟一些鼠标操作，比如双击、右击、拖拽甚至按住不动等，我们可通过导入ActionChains类来做到：

示例：

#导入ActionChains类from selenium.webdrive import ActionChains#鼠标移动到ac位置ac = driver.find_elenemt_by_xpath('element')ActionChains(driver).move_to_element(ac).perform()#在ac位置单击ac = driver.find_element_by_xpath('elementA')ActionChains(driver).move_to_element(ac).click(ac).perform()#在ac位置双击ac = driver.find_element_by_xpath("elementB")ActionChains(driver).move_to_element(ac).double_click(ac).perform()#在ac位置右击ac = driver.find_element_by_xpath('elementC')ActionChains(driver).move_to_element(ac).context_click(ac).perform()#在ac位置左键单击hold住ac = driver.find_element_by_xpath('elementF')ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform()#将ac1拖拽到ac2位置ac1 = driver.find_element_by_xpath('elementD')ac2 = driver.find_element_by_xpath('elementE')ActionChains(driver).drag_and_drop(ac1, ac2).perform()

填充表单

我们已经知道了怎样向文本框输入文字，但是有时候我们会碰到<select></select>标签的下拉框。直接点击下拉框中的选项不一定可行。

<select id="status" class="form-control valid" onchange="" name = 'status'><option value=""></option><option value="0">未审核</option><option value="1">初审通过</option><option value="2">复审通过</option><option value="3">审核不通过</option></select>

Selenium专门提供了Select类来处理下拉框。其实WebDriver中提供了一个叫Select的方法，可以帮助我们完成这些事情：

#导入Select类from selenium.webdriver.support.ui import Select#找到name的选项卡select = Select(driver.find_element_by_name('status'))#sselect.select_by_index(1)select.select_by_value("0")select.select_by_visible_text(u'未审核')

以上是三种选择下拉框的方式，它可以根据索引来选择，可以根据值来选择，可以根据文字来选择。注意：

index索引从0开始value是option标签的一个属性值，并不是显示在下拉框中的值visible_text实在option标签文本的值，是显示在下拉框的值

全部取消选择怎么办呢？很简单：

select.deselect_all()

弹窗处理

当你触发了某个事件之后，页面出现了弹窗提示，处理这个提示或者获取提示信息方法如下：

alert = driver.switch_to_alert()

页面切换

一个浏览器肯定会有很多窗口，所以我们肯定要有方法来实现窗口的切换，切换窗口的方法如下：

driver.switch_to_window('this is window name')

也可以使用window_handles方法来获取每个窗口的操作对象。例如：

for handle in driver.window_handles:driver.switch_to_window(handle)

页面的前进和后退

操作页面的前进和后退功能：

driver.forward() #前进driver.back() #后退

Cookies

获取页面每个Cookies值，用法如下：

for cookie in driver.get_cookies():print("%s -> %s"%(cookie['name'], cookie['value']))

删除Cookies,用法如下：

#By namedriver.delete_cookie('CookieName')#alldriver.delete_all_cookies()

页面等待

注意：这是非常重要的一部分！

现在的网页原来越多采用了Ajax技术，这样程序变不能确定何时某个元素完全加载出来了。如果实际页面等待事件过长导出某个dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。

为了避免这种元素定位困难而且会提高产生ElementNotVisibleException的概率。所以Selenium提供了两种等待方式，一种是隐式等待，一种是显式等待。

隐式等待就是等待特定的时间，显示等待是指定某一条件知道这个条件成立时继续执行。

显式等待

显示等待指定了某个条件，然后设置最长等待事件。如果在这个时间还找到没有元素，那么便会抛出异常。

from selenium import webdriverfrom mon.by import By#WebDriverWait库，负责循环等待from selenium.webdriver.support.ui import WebDriverWait#expected_conditions类，负责条件触发from selenium.webdriver.support import expected_conditions as ECdriver = webdriver.Chrome()driver.get("/loading")try:#页面一直循环，知道id="myDynamicElement"出现element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.ID, "myDynamicElement")))finally:driver.quit()

如果不写参数，程序默认会0.5s调用一次来来查看安苏是否已经生成，如果本来元素时存在的，那么会立即返回。

下面是一些内置的等待条件，你可以直接调用这些条件，而不用自己写某些等待条件了。

title_istitle_containspresence_of_element_locatedvisibility_of_element_locatedvisibility_ofpresence_of_all_elements_locatedtext_to_be_present_in_elementtext_to_be_present_in_element_valueframe_to_be_available_and_switch_to_itinvisibility_of_element_locatedelement_to_be_clickable - it is Displayed and Enabledstaleness_ofelement_to_be_selectedelement_located_to_be_selectedelement_selection_state_to_beelement_located_selection_state_to_beaert_is_present

隐式等待

隐式等待比较简单，就是简单地设置一个等待时间，单位为秒。

from selenium import webdriverdriver = webdriver.Chrome()driver.implicitly_wait(10) #secondsdriver.get("/loading")myDynamicElement = driver.find_element_by_id("myDynamicElement")

如果不设置，默认等待时间为0。