Python爬蟲_Selenium與PhantomJS入門

Python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化操做，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，獲取須要的頁面，甚至頁面截屏，或者判斷網站某些動做是否發生。

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，因此咱們使用一個加PhantomJS的工具代替真實的瀏覽器。

能夠從PyPI網站下載Selenium庫pypi.python.org/simple/sule…,也能夠用第三方管理器pip命令安裝:pip install selenium Selenium官方參考文檔：selenium-python.readthedocs.io/index.html

PhantomJS

PhantomJS 是一個基於Webkit的「無界面」（headless）L瀏覽器，他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怕醜，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

快速入門

Selenium庫裏有一個叫WebDriver的API。WebDriver 能夠控制瀏覽器的操做，它能夠想BeautifulSoup或者其餘的Selector對象同樣用來查找頁面的元素，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。

#-*- coding:utf-8 -*-

# 主要用來測試Selenium 使用PhantomJS

#導入webdriver
from selenium import webdriver
import time

# 想要調用鍵盤按鍵操做須要導入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()
driver.set_window_size(1366,768)

#若是沒有在環境變量指定PhantomJS位置
# driver = webdriver.PhantomJS(execute_path = "./phantomjs.exe")

# get方法會一直等到頁面加載，而後纔會繼續執行程序，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

print(data)

print(driver.title)

# 生成頁面快照並保存
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('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)

# 獲取當前頁面的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)
time.sleep(5)

#生成新的頁面快照
driver.save_screenshot('itcast.png')

#獲取當前url
print(driver.current_url)

driver.quit()
複製代碼

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" />
複製代碼

#獲取id標籤值
element = driver.find_element_by_id("passwd-id")
#獲取name值
element = driver.find_element_by_name("user-name")
#獲取標籤名
element = driver.find_element_by_tag("input")
#也能夠經過XPath來匹配
element = driver.find_element_by_xpath(//input[@id="passwd-id"])
複製代碼

定位UI元素(WebElements)

關於元素的選取，有以下的API單個元素選取

find_element_by_id
find_element_by_name
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_eelement_by_tag_name
find_element_by_class_name
find_element_by_css_selector
複製代碼

1.By ID

<div id="coolesWidgeEvah">...</div>
複製代碼

實現

element = driver.find_element_by_id("coolesWidgetEvah")
複製代碼

---------or-------

from selenium.webdriver.common.by import By
element = driver.find_element(by=By.ID, value="coolesWidgetEvah")
複製代碼

2.By Class Name

<div class="cheese"><span>Cheddar</span></div><div class="cheese"><span>Gouda</span></div>
複製代碼

實現

cheese = driver.find_element_by_class_name('cheese')

複製代碼

----------------or--------------------

from selenium.webdriver.common.by import By
cheese = driver.find_elements(By.CLASS_NAME, "cheese")
複製代碼

3.By Tag Name

<iframe src="..."></iframe>
複製代碼

實現

frame = driver.find_element_by_tag_name("iframe")
------------------------or---------------
from selenium.webdriver.common.by import By
frame = driver.find_element(By.TAG_NAME, "iframe")
複製代碼

4.By Name

<imput name="cheese" type="text" />
複製代碼

實現

cheese = driver.find_element_by_name("cheese")
-------------or-------------------------
from selenium.webdrier.common.by import By
cheese = driver.find_element(By.NAME, "cheese")
複製代碼

5.By Link Text

<a href="http://www.google.com/search?q=cheese">cheese</a>
複製代碼

實現

cheese = driver.find_element_by_link_text("cheese")
---------------------or-----------------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.LINK_TEXT, "cheese")
複製代碼

6.By Partial Link Text

<a href="http://www.google.com/search?q=cheese">search for cheese</a>
複製代碼

實現

cheese = driver.find_element_by_partial_link_text("cheese")
-----------------or-----------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.PARTIAL_LINK_TEXT, "cheese")
複製代碼

7.By CSS

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

cheese = driver.find_element_by_css_selector("#food span.dairy.aged")
----------------or-------------------------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.CSS_SELECTOR, "#food span.dairy.aged")
複製代碼

8.By XPath

<input type="text" name="example" / >
<input type="text" name="other" / >
複製代碼

實現

inputs = driver.find_elements_by_xpath("input")
-------------------or------------------
from selenium.webdriver.common.by import By
inputs = driver.find_elements(By.XPATH, "//input")
複製代碼

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、拖拽甚至按住不一樣等，咱們能夠經過導入ActionChains類來作到。

示例

#導入ActionChains類
from selenium.webdrive import ActionChains

#鼠標移動到ac位置
ac = driver.find_elenemt_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()
複製代碼

填充表單

咱們已經知道怎樣想文本框中輸入文字，可是有時候咱們會碰到 標籤的下拉框。直接點擊下拉框中的選項不必定能夠行。

<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>
複製代碼

Selenium專門提供了Select類處理下拉框。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_id('status'))

#s
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text(u'未審覈')
複製代碼

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實在option標籤文本的值，是顯示在下拉框的值

所有取消怎麼辦？

select.deselect_all()
複製代碼

彈窗處理

當你觸發了某個時間以後，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()
複製代碼

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')
複製代碼

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)
複製代碼

頁面的前進和後退

操做頁面的前進和後退功能：

driver.forward()  #前進
driver.back()    #後退
複製代碼

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']))
複製代碼

刪除Cookies,用法以下：

#By name
driver.delete_cookie('CookieName')

#all
driver.delete_all_cookies()
複製代碼

頁面等待

注意：這是很是重要的一部分！

如今的網頁原來越多采用了Ajax技術，這樣程序變不能肯定什麼時候某個元素徹底加載出來了。若是實際頁面等待事件過長導出某個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。 隱式等待就是等待特定的時間，顯示等待是指定某一條件知道這個條件成立時繼續執行。

顯式等待

顯示等待指定了某個條件，而後設置最長等待事件。若是在這個時間還找到沒有元素，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，負責條件觸發
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()

driver.get("http://www.xxxx.com/loading")

try:
    #頁面一直循環，知道id="myDynamicElement"出現
    element = WebDriverWait(driver, 10).until(
            EC.presence_of_element_located((By.ID, "myDynamicElement"))
        )
finally:
    driver.quit()    
複製代碼

若是不寫參數，程序默認會0.5s調用一次來來查看安蘇是否已經生成，若是原本元素時存在的，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
    aert_is_present
複製代碼

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")
複製代碼

若是不設置，默認等待時間爲0。