爬蟲工具——Selenium和PhantomJS

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。可是咱們有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 JavaScrip、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，可是它也能夠像 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。

# IPython2 測試代碼 # 導入 webdriver from selenium import webdriver # 要想調用鍵盤按鍵操做須要引入keys包 from selenium.webdriver.common.keys import Keys # 調用環境變量指定的PhantomJS瀏覽器建立瀏覽器對象 driver = webdriver.PhantomJS() # 若是沒有在環境變量指定PhantomJS位置 # driver = webdriver.PhantomJS(executable_path="./phantomjs")) # get方法會一直等到頁面被徹底加載，而後纔會繼續程序，一般測試會在這裏選擇 time.sleep(2) 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 # 打印數據內容 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.png") # id="kw"是百度搜索輸入框，輸入字符串"長城" driver.find_element_by_id("kw").send_keys(u"長城") # id="su"是百度搜索按鈕，click() 是模擬點擊 driver.find_element_by_id("su").click() # 獲取新的頁面快照 driver.save_screenshot("長城.png") # 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("itcast") # 模擬Enter回車鍵 driver.find_element_by_id("su").send_keys(Keys.RETURN) # 清除輸入框內容 driver.find_element_by_id("kw").clear() # 生成新的頁面快照 driver.save_screenshot("itcast.png") # 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_elements_by_tag_name("input") # 也能夠經過XPath來匹配 element = driver.find_element_by_xpath("//input[@id='passwd-id']")

鼠標動做鏈

有些時候，咱們須要再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：

示例：

#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，可是有時候咱們會碰到<select> </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(u"未審覈") 

以上是三種選擇下拉框的方式，它能夠根據索引來選擇，能夠根據值來選擇，能夠根據文字來選擇。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是在option標籤文本的值，是顯示在下拉框的值

所有取消選擇怎麼辦呢？很簡單:

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以下：

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。例如：

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 

Cookies

獲取頁面每一個Cookies值，用法以下

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

刪除Cookies，用法以下

# By name driver.delete_cookie("CookieName") # all driver.delete_all_cookies() 

頁面等待

注意：這是很是重要的一部分！！

如今的網頁愈來愈多采用了 Ajax 技術，這樣程序便不能肯定什麼時候某個元素徹底加載出來了。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會提升產生 ElementNotVisibleException 的機率。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，顯式等待是指定某一條件直到這個條件成立時繼續執行。

顯式等待

顯式等待指定某個條件，而後設置最長等待時間。若是在這個時間尚未找到元素，那麼便會拋出異常了。

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.xxxxx.com/loading") 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生成，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，你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

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() driver.implicitly_wait(10) # seconds driver.get("http://www.xxxxx.com/loading") myDynamicElement = driver.find_element_by_id("myDynamicElement") 

固然若是不設置，默認等待時間爲0。