PhantomJS爬蟲 -----全國高校查詢-------計算機科學與技術前50大學

Selenium是一個Web的自動化測試工具，最初是爲網站自動化測試而開發的，

Selenium能夠根據咱們的指令，讓瀏覽器自動加載頁面，獲取須要的頁面，甚至頁面截屏，或者判斷網站上某些動做是否發生。

Selenium本身不帶瀏覽器，不支持瀏覽器的功能，它須要與第三方瀏覽器結合在一塊兒才能使用。可是咱們有時候須要讓它內嵌在代碼中運行，全部咱們而已用一個叫PhantomJS的工具代替真實的瀏覽器。

 

PhantomJS是一個基於Webkit的"無界面"(headless)瀏覽器，它會把網站加載到內存並執行頁面上的JavaScript，由於不會展現圖形界面，因此運行起來比完整的瀏覽器更高效。

若是咱們把Selenium和PhantomJS結合在一塊兒，就能夠運行一個很是強大的網絡爬蟲了，這個爬蟲能夠處理JavaScript、Cookie、headers，以及任何咱們真實用戶須要作的事情。

注意：PhantomJS只能從它的網站(http://phantomjs.org/download.html)下載。由於PhantomJS是一個功能完善(雖然無界面)的瀏覽器而非一個Python庫，因此它不須要像Python的其它庫同樣安裝，但咱們能夠經過Selenium調用PhantomJS來直接使用
PhantomsJS官方纔考文檔：http://phantomjs.org/documention

Selenium和PhantomJS 拓展詳解

導入webdriver---->from selenium import webdriver
調用環境變量指定的phantomjs瀏覽器建立瀏覽器對象    
    driver=webdriver.PhantomJs()
若是沒有在壞境變量指定phantomjs位置則:driver=webdriver.PhantomJs(executable_path='./phantomJs'))
get方法會一直等到頁面徹底加載完，纔會繼續執行程序，一般測試會在這裏選擇time.sleep()
　　driver.get('http://www.baidu.com/')

Selenium詳解
安裝：pip3 install selenium
　　http://phantomjs.org/download.html
selenium用法詳解
selenium 是一套完整的web應用程序測試系統，包含了測試的錄製（selenium IDE）,編寫及運行
（Selenium Remote Control）和測試的並行處理（Selenium Grid）。Selenium的核心Selenium Core
基於JsUnit，徹底由JavaScript編寫，所以能夠用於任何支持JavaScript的瀏覽器上。
selenium主要是用來作自動化測試，支持多種瀏覽器，爬蟲中主要用來解決JavaScript渲染問題。
模擬瀏覽器進行網頁加載，當requests,urllib沒法正常獲取網頁內容的時候
1、聲明瀏覽器對象
注意點一，Python文件名或者包名不要命名爲selenium，會致使沒法導入
from selenium import webdriver
#webdriver能夠認爲是瀏覽器的驅動器，要驅動瀏覽器必須用到webdriver，支持多種瀏覽器，這裏以Chrome爲例
browser = webdriver.Chrome()

2、訪問頁面並獲取網頁html
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
print(browser.page_source)#browser.page_source是獲取網頁的所有html
browser.close()

3、查找元素
單個元素
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element_by_id('q')
input_second = browser.find_element_by_css_selector('#q')
input_third = browser.find_element_by_xpath('//*[@id="q"]')
print(input_first,input_second,input_third)
browser.close()
經常使用的查找方法
find_element_by_id
find_element_by_name
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
也可使用通用的方法
from selenium import webdriver
from selenium.webdriver.common.by import By ---這裏須要記住By模塊因此須要導入
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element(BY.ID,'q')#第一個參數傳入名稱，第二個傳入具體的參數
print(input_first)
browser.close()
多個元素，elements多個s
input_first = browser.find_elements_by_id('q')

4、元素交互操做-搜索框傳入關鍵詞進行自動搜索
from selenium import webdriver
import time
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')#找到搜索框
input.send_keys('iPhone')#傳送入關鍵詞
time.sleep(5)
input.clear()#清空搜索框
input.send_keys('男士內褲')
button = browser.find_element_by_class_name('btn-search')#找到搜索按鈕
button.click()
更多操做: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement#能夠有屬性、截圖等等

5、交互動做，驅動瀏覽器進行動做，模擬拖拽動做，將動做附加到動做鏈中串行執行
from selenium import webdriver
from selenium.webdriver import ActionChains#引入動做鏈

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')#切換到iframeResult框架
source = browser.find_element_by_css_selector('#draggable')#找到被拖拽對象
target = browser.find_element_by_css_selector('#droppable')#找到目標
actions = ActionChains(browser)#聲明actions對象
actions.drag_and_drop(source, target)
actions.perform()#執行動做
更多操做: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

6、執行JavaScript
有些動做可能沒有提供api，好比進度條下拉，這時，咱們能夠經過代碼執行JavaScript
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')


7、獲取元素信息
獲取屬性
from selenium import webdriver
from selenium.webdriver import ActionChains

browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
logo = browser.find_element_by_id('zh-top-link-logo')#獲取網站logo
print(logo)
print(logo.get_attribute('class'))
browser.close()
獲取文本值
from selenium import webdriver
browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.text)#input.text文本值
browser.close()

# 獲取Id，位置，標籤名，大小
from selenium import webdriver
browser = webdriver.Chrome()
url = 'https://www.zhihu.com/explore'
browser.get(url)
input = browser.find_element_by_class_name('zu-top-add-question')
print(input.id)#獲取id
print(input.location)#獲取位置
print(input.tag_name)#獲取標籤名
print(input.size)#獲取大小
browser.close()

8、Frame操做
frame至關於獨立的網頁，若是在父類網frame查找子類的，則必須切換到子類的frame，子類若是查找父類也須要先切換
這裏經常使用的是switch_to.from()和switch_to.parent_frame()
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException

browser = webdriver.Chrome()
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url)
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css_selector('#draggable')
print(source)
try:
    logo = browser.find_element_by_class_name('logo')
except NoSuchElementException:
    print('NO LOGO')
browser.switch_to.parent_frame()
logo = browser.find_element_by_class_name('logo')
print(logo)
print(logo.text)

9、等待
隱式等待
當使用了隱式等待執行測試的時候，若是 WebDriver沒有在 DOM中找到元素，將繼續等待，超出設定時間後則拋出找不到元素的異常,
換句話說，當查找元素或元素並無當即出現的時候，隱式等待將等待一段時間再查找 DOM，默認的時間是0

from selenium import webdriver

browser = webdriver.Chrome()
browser.implicitly_wait(10)#等待十秒加載不出來就會拋出異常，10秒內加載出來正常返回
browser.get('https://www.zhihu.com/explore')
input = browser.find_element_by_class_name('zu-top-add-question')
print(input)

顯式等待
指定一個等待條件，和一個最長等待時間，程序會判斷在等待時間內條件是否知足，若是知足則返回，若是不知足會繼續等待，超過期間就會拋出異常
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

browser = webdriver.Chrome()
browser.get('https://www.taobao.com/')
wait = WebDriverWait(browser, 10)
input = wait.until(EC.presence_of_element_located((By.ID, 'q')))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))
print(input, button)

title_is 標題是某內容
title_contains 標題包含某內容
presence_of_element_located 元素加載出，傳入定位元組，如(By.ID, 'p')
visibility_of_element_located 元素可見，傳入定位元組
visibility_of 可見，傳入元素對象
presence_of_all_elements_located 全部元素加載出
text_to_be_present_in_element 某個元素文本包含某文字
text_to_be_present_in_element_value 某個元素值包含某文字
frame_to_be_available_and_switch_to_it frame加載並切換
invisibility_of_element_located 元素不可見
element_to_be_clickable 元素可點擊
staleness_of 判斷一個元素是否仍在DOM，可判斷頁面是否已經刷新
element_to_be_selected 元素可選擇，傳元素對象
element_located_to_be_selected 元素可選擇，傳入定位元組
element_selection_state_to_be 傳入元素對象以及狀態，相等返回True，不然返回False
element_located_selection_state_to_be 傳入定位元組以及狀態，相等返回True，不然返回False
alert_is_present 是否出現Alert

詳細內容：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

11、前進後退-實現瀏覽器的前進後退以瀏覽不一樣的網頁back()和forward()
import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com/')
browser.get('https://www.taobao.com/')
browser.get('https://www.python.org/')
browser.back()
time.sleep(1)
browser.forward()
browser.close()

12、Cookies操做
get_cookies()
delete_all_cookes()
add_cookie()
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name': 'name', 'domain': 'www.zhihu.com', 'value': 'germey'})
print(browser.get_cookies())
browser.delete_all_cookies()
print(browser.get_cookies())

選項卡管理 增長瀏覽器窗口
經過執行js命令實現新開選項卡window.open()
不一樣的選項卡是存在列表裏browser.window_handles
經過browser.window_handles[0]就能夠操做第一個選項卡
import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')
print(browser.window_handles)
browser.switch_to_window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(1)
browser.switch_to_window(browser.window_handles[0])
browser.get('http://www.fishc.com')

十3、異常處理
這裏的異常比較複雜，官網的參考地址：
http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions
這裏只進行簡單的演示，查找一個不存在的元素
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.find_element_by_id('hello')

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException

browser = webdriver.Chrome()
try:
    browser.get('https://www.baidu.com')
except TimeoutException:
    print('Time Out')
try:
    browser.find_element_by_id('hello')
except NoSuchElementException:
    print('No Element')
finally:
    browser.close()
# 詳細文檔：http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions    

View Code

 

這裏咱們運用PhantomJS爬取全國高校查詢計算機科學與技術專業前50的學校，而且存入到數據庫。

以下圖所示

對重點專業：是、否進行處理

教育部直屬、985大學、211大學標籤使用beautiful soup 進行處理

 

代碼以下

 1 # -*- coding:utf-8 -*-
 2 # author:zxy
 3 # date:2019-2-5
 4 
 5 from bs4 import BeautifulSoup
 6 from selenium import webdriver
 7 import re
 8 from c_Study import conn
 9 
10 
11 def main():
12     driver_path = r'C:\Program Files\phantomjs-2.1.1-windows\bin\phantomjs.exe'
13     driver = webdriver.PhantomJS(executable_path=driver_path)
14     for i in range(1, 6, 1):
15         url = 'https://gkcx.eol.cn/soudaxue/querySchoolSpecialty.html?&argspecialtyname=%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6%E4%B8%8E%E6%8A%80%E6%9C%AF&argzycengci=%E6%9C%AC%E7%A7%91&page=' \
16               + str(i)
17         driver.get(url)
18         data = driver.page_source
19         dfcontent = BeautifulSoup(data, 'lxml')
20         trs = dfcontent.find_all('tr')[1:]
21         for tr in trs:
22             college_name = tr.find_all('td')[0].string  # 大學名稱
23             college_major = tr.find_all('td')[1].string  # 專業名稱
24             major_isKey = tr.find_all('td')[2].string  # 是否重點專業
25             if major_isKey == "是":
26                 major_isKey = 1
27             elif major_isKey == '否':
28                 major_isKey = 0
29             is_direct = tr.find_all('td')[3]  # 是否教育部直屬
30             if is_direct.find(attrs={'style': re.compile('.*?#CCCCCC;.*?')}):
31                 is_direct = 0
32             else:
33                 is_direct = 1
34             is_985 = tr.find_all('td')[4]  # 是否985大學
35             if is_985.find(attrs={'style': re.compile('.*?#CCCCCC;.*?')}):
36                 is_985 = 0
37             else:
38                 is_985 = 1
39             is_211 = tr.find_all('td')[5]  # 是否211大學
40             if is_211.find(attrs={'style': re.compile('.*?#CCCCCC;.*?')}):
41                 is_211 = 0
42             else:
43                 is_211 = 1
44 
45             conn.insert_into_db('colleges', college_name, college_major, major_isKey, is_direct, is_direct, is_211)
46 if __name__ == '__main__':
47     main()

 1 # -*- coding:utf-8 -*-
 2 # author:zxy
 3 # Date:2019-2-5
 4 # Update:
 5 import pymysql
 6 
 7 
 8 
 9 def insert_into_db(dbname,*args):
10     db = pymysql.Connect("localhost", 'root', 'pwd', "dbname")
11     sql = "insert into "+dbname+"(name, major, major_isKey, is_direct,is_985,is_211) values (%s, %s, %s, %s, %s, %s);"
12     cur = db.cursor()
13     try:
14         cur.execute(sql, args)
15         db.commit()
16     except:
17         db.rollback()

 

結果以下所示: