python爬蟲Selenium與PhantomJS

這期內容當中小編將會給大家帶來有關python爬蟲Selenium與PhantomJS，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

Selenium

Selenium是一個Web的自動化測試工具，最初是為網站自動化測試而開發的，類型像我們玩游戲用的按鍵精靈，可以按指定的命令自動操作，不同的是Selenium可以直接運行在瀏覽器上，它支持所有主流的瀏覽器（包括PhantomJS這些無界面的瀏覽器）。

Selenium可以根據我們的指令，讓瀏覽器自動加載頁面，獲取需要的數據，甚至頁面截屏，或者判斷網站上某些動作是否發生。

Selenium自己不帶瀏覽器，不支持瀏覽器的功能，它需要與第三方瀏覽器結合在一起才能使用。但是我們大多數時候需要讓它內嵌在代碼中運行，所以我們可以用一個叫PhantomJS的工具代替真實的瀏覽器。

可以從 PyPI 網站下載 Selenium庫https://pypi.python.org/simple/selenium ，也可以用 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是一個基于Webkit的“無界面”（headless）瀏覽器，它會把網站加載到內存并執行頁面上的JavaScript，因為不會展示圖形界面，所以運行起來比完整的瀏覽器要高效。

如果我們把Selenium和PhantomJS結合在一起，就可以運行一個非常強大的網絡爬蟲了，這個爬蟲可以處理JavaScript、Cookie、headers，以及任何我們真實用戶需要做的事情。

注意：PhantomJS 只能從它的官方網站http://phantomjs.org/download.html 下載。 因為 PhantomJS 是一個功能完善(雖然無界面)的瀏覽器而非一個 Python 庫，所以它不需要像 Python 的其他庫一樣安裝，但我們可以通過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庫里有個叫WebDriver的API。WebDriver有點兒像可以加載網站的瀏覽器，但是它可以像BeautifulSoup或者其他Selector對象一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），以及執行其他動作來運行網絡爬蟲。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 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瀏覽器創建瀏覽器對象，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完全加載，然后才會繼續程序
driver.get("http://www.baidu.com/")
 
# 獲取頁面名為wrapper的id標簽的文本內容
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)
 
# 生成當前頁面快照并保存
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)
 
# 獲取搜索后的頁面快照
driver.save_screenshot("螞蟻.jpg")
 
# 打印網頁渲染后的源代碼
# 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")
 
# 輸入框重新輸入內容
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，如果只有一個頁面，會關閉瀏覽器
driver.close()
 
# 關閉瀏覽器
driver.quit()

頁面操作

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

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

那么

# 獲取id標簽值
element = driver.find_element_by_id("passwd-id")
 
# 獲取name標簽值
element = driver.find_element_by_name("user-name")
 
# 獲取標簽名值
element = driver.find_element_by_tag_name("input")
 
# 通過xpath來匹配
element = driver.find_element_by_xpath("//input[@id='passwd-id']")

定位UI元素（webElements）

關于元素的選取：

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")

鼠標動作鏈

有些時候，我們需要在頁面上模擬一些鼠標操作，比如雙擊、右擊、拖拽甚至按住不動等，我們可以通過導入ActionChains類來做到：

#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

我們已經知道了怎樣向文本框中輸入文字，但是有時候我們會遇到select 標簽的下拉框。直接點擊下拉框中的選項不一定可行。

<select id="status" class="form-control valid" onchange="" name="status">
    <option value=""></option>
    <option value="0">未審核</option>
    <option value="1">初審通過</option>
    <option value="2">復審通過</option>
    <option value="3">審核不通過</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，可以幫助我們完成這些事情：

# 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("未審核")

以上是三種選擇下拉框的方法，可以根據索引來選擇、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標簽的一個屬性值，并不是顯示在下拉框中的值

visible_text 是option標簽文本的值，是顯示在下拉框的值

全部取消選擇：select.deselect_all()

彈窗處理

當你觸發了某個事件之后，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

一個瀏覽器肯定會有很多窗口，所以我們肯定要有方法來實現窗口的切換。切換窗口的方法如下：

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

也可以使用window_handles 方法來獲取每個窗口的操作對象。

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

頁面前進和后退

操作頁面的前進和后退功能：

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

Cookie

獲取頁面每個Cookie值：

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

刪除Cookie：

# 通過Cookie名
driver.delete_cookie("CookieName")
 
# 刪除所有
driver.delete_all_cookies()

頁面等待

現在的網頁越來越多的采用了Ajax技術，這樣程序便不能確定何時頁面完全加載完成。如果實際頁面等待時間過長導致某個dom元素還沒出來，但是你的代碼直接使用了這個WebElement，那么就會拋出NullPointer的異常。

為了避免這種元素定位困難而且可能會導致拋異常，所以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，單位為秒。

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

顯式等待為指定某個條件，然后設置最長等待時間。如果在這個時間內，指定條件成立，則繼續往下執行；如果在這個時間，指定條件還未成立，那么便會拋出異常。

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()

如果不寫參數，程序默認會0.5s調用一次來查看元素是否已經加載完成，如果本來元素就是存在的，那么會立即返回。

下面是一些內置的等待條件，可以直接調用這些條件，而不用自己寫某些等待條件了。

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

當然如果不設置，默認等待時間為0。

上述就是小編為大家分享的python爬蟲Selenium與PhantomJS了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。