爬蟲——Selenium與PhantomJS

標籤：dai   drag   src   -name   擷取   option   seconds   path   available   

Selenium

Selenium是一個Web的自動化測試載入器，最初是為網站自動化測試而開發的，類型像我們玩遊戲用的按鍵精靈，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，它支援所有主流的瀏覽器（包括PhantomJS這些無介面的瀏覽器）。

Selenium可以根據我們的指令，讓瀏覽器自動載入頁面，擷取需要的資料，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，不支援瀏覽器的功能，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是一個基於Webkit的“無介面”（headless）瀏覽器，它會把網站載入到記憶體並執行頁面上的JavaScript，因為不會展示圖形介面，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路爬蟲了，這個爬蟲可以處理JavaScript、Cookie、headers，以及任何我們真實使用者需要做的事情。

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(雖然無介面)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庫裡有個叫WebDriver的API。WebDriver有點兒像可以載入網站的瀏覽器，但是它可以像BeautifulSoup或者其他Selector對象一樣用來尋找頁面元素，與頁面上的元素進行互動（發送文本、點擊等），以及執行其他動作來運行網路爬蟲。

#!/usr/bin/python3# -*- conding:utf-8 -*-__author__ = ‘mayi‘# 匯入webdriverfrom selenium import webdriverfrom selenium.webdriver.common.keys import Keysimport time# 調用環境變數指定的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完全載入，然後才會繼續程式driver.get("http://www.baidu.com/")# 擷取頁面名為wrapper的id標籤的常值內容data = driver.find_element_by_id("wrapper").text# 列印擷取的常值內容print(data)# 列印頁面標題：百度一下，你就知道print(driver.title)# 產生當前頁面快照並儲存driver.save_screenshot("baidu.jpg")# 在百度搜尋輸入框中輸入“螞蟻”driver.find_element_by_id("kw").send_keys("螞蟻")# 類比點擊“百度一下”按鈕driver.find_element_by_id("su").click()# 等待2秒，讓頁面載入time.sleep(2)# 擷取搜尋後的頁面快照driver.save_screenshot("螞蟻.jpg")# 列印網頁渲染後的原始碼# print(driver.page_source)# 擷取當前頁面Cookieprint(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 剪下輸入框內容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")# 類比Enter斷行符號鍵driver.find_element_by_id("su").send_keys(Keys.ENTER)# 等待2秒，讓頁面載入time.sleep(2)# 清除輸入框內容driver.find_element_by_id("kw").clear()# 擷取新的快照driver.save_screenshot("python.jpg")# 擷取當前urlprint(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" />

那麼

# 擷取id標籤值element = driver.find_element_by_id("passwd-id")# 擷取name標籤值element = driver.find_element_by_name("user-name")# 擷取標籤名值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）

關於元素的選取：

find_element_by_idfind_elements_by_namefind_elements_by_xpathfind_elements_by_link_textfind_elements_by_partial_link_textfind_elements_by_tag_namefind_elements_by_class_namefind_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")

滑鼠動作鏈

有些時候，我們需要在頁面上類比一些滑鼠操作，比如雙擊、右擊、拖拽甚至按住不動等，我們可以通過匯入ActionChains類來做到：

#匯入 ActionChains 類from selenium.webdriver import ActionChains# 滑鼠移動到 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字框中輸入文字，但是有時候我們會遇到select 標籤的下拉框。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">複審通過</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，可以協助我們完成這些事情：

# 匯入 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標籤的一個屬性值，並不是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

全部取消選擇：select.deselect_all()

彈窗處理

當你觸發了某個事件之後，頁面出現了彈窗提示，處理這個提示或者擷取提示資訊方法：

alert = driver.switch_to_alert()

頁面切換

一個瀏覽器肯定會有很多視窗，所以我們肯定要有方法來實現視窗的切換。切換視窗的方法如下：

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

也可以使用window_handles 方法來擷取每個視窗的操作對象。

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

頁面前進和後退

操作頁面的前進和後退功能：

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

Cookie

擷取頁面每個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採用了Ajax技術，這樣程式便不能確定何時頁面完全載入完成。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，那麼就會拋出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，就是簡單地設定一個等待時間，單位為秒。

from selenium import webdriverdriver = webdriver.Chrome()# 等待10秒driver.implicitly_wait(10) # secondsdriver.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，然後設定最長等待時間。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，那麼便會拋出異常。

from selenium import webdriverfrom selenium.webdriver.common.by import By# WebDriverWait 庫，負責迴圈等待from selenium.webdriver.support.ui import WebDriverWait# expected_conditions 類，負責條件出發from selenium.webdriver.support import expected_conditions as ECdriver = webdriver.Chrome()driver.get("http://www.baidu.com/")try:    # 頁面一直迴圈，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，程式預設會0.5s調用一次來查看元素是否已經載入完成，如果本來元素就是存在的，那麼會立即返回。

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

title_istitle_containspresence_of_element_locatedvisibility_of_element_locatedvisibility_ofpresence_of_all_elements_locatedtext_to_be_present_in_elementtext_to_be_present_in_element_valueframe_to_be_available_and_switch_to_itinvisibility_of_element_locatedelement_to_be_clickable – it is Displayed and Enabled.staleness_ofelement_to_be_selectedelement_located_to_be_selectedelement_selection_state_to_beelement_located_selection_state_to_bealert_is_present

當然如果不設定，預設等待時間為0。

 

爬蟲——Selenium與PhantomJS