爬蟲——Selenium與PhantomJS

Selenium

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，類型像咱們玩遊戲用的按鍵精靈，能夠按指定的命令自動操做，不一樣的是Selenium能夠直接運行在瀏覽器上，它支持全部主流的瀏覽器（包括PhantomJS這些無界面的瀏覽器）。

Selenium能夠根據咱們的指令，讓瀏覽器自動加載頁面，獲取須要的數據，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。可是咱們大多數時候須要讓它內嵌在代碼中運行，因此咱們能夠用一個叫PhantomJS的工具代替真實的瀏覽器。

能夠從 PyPI 網站下載 Selenium庫https://pypi.python.org/simple/selenium ，也能夠用 第三方管理器 pip用命令安裝：pip install selenium

Selenium 官方參考文檔：http://selenium-python.readthedocs.io/index.html

PhantomJS

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要高效。

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 只能從它的官方網站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 的其餘庫同樣安裝，但咱們能夠經過Selenium調用PhantomJS來直接使用。

PhantomJS 官方參考文檔：http://phantomjs.org/documentation

快速入門

Selenium庫裏有個叫WebDriver的API。WebDriver有點兒像能夠加載網站的瀏覽器，可是它能夠像BeautifulSoup或者其餘Selector對象同樣用來查找頁面元素，與頁面上的元素進行交互（發送文本、點擊等），以及執行其餘動做來運行網絡爬蟲。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
__author__ = 'mayi'

# 導入webdriver
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time

# 調用環境變量指定的PhantomJS瀏覽器建立瀏覽器對象，executable_path：指定PhantomJS位置
driver = webdriver.PhantomJS(executable_path = r"D:\Program Files\phantomjs\bin\phantomjs")

# get()方法會一直等到頁面被徹底加載，而後纔會繼續程序
driver.get("http://www.baidu.com/")

# 獲取頁面名爲wrapper的id標籤的文本內容
data = driver.find_element_by_id("wrapper").text

# 打印獲取的文本內容
print(data)

# 打印頁面標題：百度一下，你就知道
print(driver.title)

# 生成當前頁面快照並保存
driver.save_screenshot("baidu.jpg")

# 在百度搜索輸入框中輸入「螞蟻」
driver.find_element_by_id("kw").send_keys("螞蟻")

# 模擬點擊「百度一下」按鈕
driver.find_element_by_id("su").click()
# 等待2秒，讓頁面加載
time.sleep(2)

# 獲取搜索後的頁面快照
driver.save_screenshot("螞蟻.jpg")

# 打印網頁渲染後的源代碼
# print(driver.page_source)

# 獲取當前頁面Cookie
print(driver.get_cookies())

# Ctrl + a 全選輸入框內容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL, "a")

# Ctrl + x 剪切輸入框內容
driver.find_element_by_id("kw").send_keys(Keys.CONTROL, "x")

# 輸入框從新輸入內容
driver.find_element_by_id("kw").send_keys("python")

# 模擬Enter回車鍵
driver.find_element_by_id("su").send_keys(Keys.ENTER)

# 等待2秒，讓頁面加載
time.sleep(2)

# 清除輸入框內容
driver.find_element_by_id("kw").clear()

# 獲取新的快照
driver.save_screenshot("python.jpg")

# 獲取當前url
print(driver.current_url)

# 關閉當前頁面，若是隻有一個頁面，會關閉瀏覽器
driver.close()

# 關閉瀏覽器
driver.quit()

頁面操做

Selenium的WebDriver提供了各類方法來尋找元素，假設下面有一個表單輸入框：

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

那麼

# 獲取id標籤值
element = driver.find_element_by_id("passwd-id")

# 獲取name標籤值
element = driver.find_element_by_name("user-name")

# 獲取標籤名值
element = driver.find_element_by_tag_name("input")

# 經過xpath來匹配
element = driver.find_element_by_xpath("//input[@id='passwd-id']")

定位UI元素（webElements）

關於元素的選取：

find_element_by_id
find_elements_by_name
find_elements_by_xpath
find_elements_by_link_text
find_elements_by_partial_link_text
find_elements_by_tag_name
find_elements_by_class_name
find_elements_by_css_selector

1.by id

# 頁面內容
<div id="coolestWidgetEvah">...</div>

# 實現
element = driver.find_element_by_id(coolestWidgetEvah")

2.by name

# 頁面內容
<input name="cheese" type="text"/>

# 實現
element = driver.find_element_by_name("cheese")

3.by xpath

# 頁面內容
<input type="text" name="example" />
<input type="text" name="other" />

# 實現
element = driver.find_elements_by_xpath("//input")

4.by link text

# 頁面內容
<a href="http://www.google.com/search?q=cheese">cheese</a>

# 實現
element = driver.find_element_by_link_text("cheese")

5.by partial link text

# 頁面內容
<a href="http://www.google.com/search?q=cheese">search for cheese</a>>

# 實現
element = driver.find_element_by_partial_link_text("cheese")

6.by tag name

# 頁面內容
<iframe src="..."></iframe>

# 實現
element = driver.find_element_by_tag_name("iframe")

7.by class name

# 頁面內容
<div id="food"><span class="dairy">milk</span><span class="dairy aged">cheese</span></div>

# 實現
element = driver.find_elements_by_class_name("div")

8.by css selector

# 頁面內容
<div id="food"><span class="dairy">milk</span><span class="dairy aged">cheese</span></div>

# 實現
element = driver.find_elements_by_css_selector("#food span.dairy.aged")

鼠標動做鏈

有些時候，咱們須要在頁面上模擬一些鼠標操做，好比雙擊、右擊、拖拽甚至按住不動等，咱們能夠經過導入ActionChains類來作到：

#導入 ActionChains 類
from selenium.webdriver import ActionChains

# 鼠標移動到 ac 位置
ac = driver.find_element_by_xpath('element')
ActionChains(driver).move_to_element(ac).perform()


# 在 ac 位置單擊
ac = driver.find_element_by_xpath("elementA")
ActionChains(driver).move_to_element(ac).click(ac).perform()

# 在 ac 位置雙擊
ac = driver.find_element_by_xpath("elementB")
ActionChains(driver).move_to_element(ac).double_click(ac).perform()

# 在 ac 位置右擊
ac = driver.find_element_by_xpath("elementC")
ActionChains(driver).move_to_element(ac).context_click(ac).perform()

# 在 ac 位置左鍵單擊hold住
ac = driver.find_element_by_xpath('elementF')
ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform()

# 將 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()

填充表單

咱們已經知道了怎樣向文本框中輸入文字，可是有時候咱們會遇到select 標籤的下拉框。直接點擊下拉框中的選項不必定可行。

<select id="status" class="form-control valid" onchange="" name="status">
    <option value=""></option>
    <option value="0">未審覈</option>
    <option value="1">初審經過</option>
    <option value="2">複審經過</option>
    <option value="3">審覈不經過</option>
</select>

　　

Selenium專門提供了select類來處理下拉框。其實WebDriver中提供了一個叫Select的方法，能夠幫助咱們完成這些事情：

# 導入 Select 類
from selenium.webdriver.support.ui import Select

# 找到 name 的選項卡
select = Select(driver.find_element_by_name('status'))

# 
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text("未審覈")

以上是三種選擇下拉框的方法，能夠根據索引來選擇、根據值來選擇、根據文字內容來選擇。注意：

• index 索引從0開始
• value 是option標籤的一個屬性值，並非顯示在下拉框中的值
• visible_text 是option標籤文本的值，是顯示在下拉框的值

所有取消選擇：select.deselect_all()

彈窗處理

當你觸發了某個事件以後，頁面出現了彈窗提示，處理這個提示或者獲取提示信息方法：

alert = driver.switch_to_alert()

頁面切換

一個瀏覽器確定會有不少窗口，因此咱們確定要有方法來實現窗口的切換。切換窗口的方法以下：

driver.switch_to.window("this is window name")

也可使用window_handles 方法來獲取每一個窗口的操做對象。

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

頁面前進和後退

操做頁面的前進和後退功能：

driver.forward()     #前進
driver.back()        # 後退

Cookie

獲取頁面每一個Cookie值：

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

刪除Cookie：

# 經過Cookie名
driver.delete_cookie("CookieName")

# 刪除全部
driver.delete_all_cookies()

頁面等待

如今的網頁愈來愈多的採用了Ajax技術，這樣程序便不能肯定什麼時候頁面徹底加載完成。若是實際頁面等待時間過長致使某個dom元素還沒出來，可是你的代碼直接使用了這個WebElement，那麼就會拋出NullPointer的異常。

爲了不這種元素定位困難並且可能會致使拋異常，因此Selenium提供了兩種等待方式，一種是隱式等待，一種是顯式等待。

隱式等待是等待特定的時間，等待是指定某一個條件成立時繼續執行。

隱式等待

隱式等待比較簡單，就是簡單地設置一個等待時間，單位爲秒。

from selenium import webdriver

driver = webdriver.Chrome()
# 等待10秒
driver.implicitly_wait(10) # seconds
driver.get("http://www.baidu.com/")
myDynamicElement = driver.find_element_by_id("myDynamicElement")

顯式等待

顯式等待爲指定某個條件，而後設置最長等待時間。若是在這個時間內，指定條件成立，則繼續往下執行；若是在這個時間，指定條件還未成立，那麼便會拋出異常。

from selenium import webdriver
from selenium.webdriver.common.by import By
# WebDriverWait 庫，負責循環等待
from selenium.webdriver.support.ui import WebDriverWait
# expected_conditions 類，負責條件出發
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()
driver.get("http://www.baidu.com/")
try:
    # 頁面一直循環，直到 id="myDynamicElement" 出現
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "myDynamicElement"))
    )
finally:
    driver.quit()

若是不寫參數，程序默認會0.5s調用一次來查看元素是否已經加載完成，若是原本元素就是存在的，那麼會當即返回。

下面是一些內置的等待條件，能夠直接調用這些條件，而不用本身寫某些等待條件了。

title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable – it is Displayed and Enabled.
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present

固然若是不設置，默認等待時間爲0。