python爬虫之Selenium与PhantomJS

python

Selenium

Selenium是一个Web的自动化测试工具,最初是为网站自动化测试而开发的,类型像我们玩游戏用的按键精灵,可以按指定的命令自动操作,不同的是Selenium可以直接运行在浏览器上,它支持所有主流的浏览器(包括PhantomJS这些无界面的浏览器)。

Selenium可以根据我们的指令,让浏览器自动加载页面,获取需要的数据,甚至页面截屏,或者判断网站上某些动作是否发生。

Selenium自己不带浏览器,不支持浏览器的功能,它需要与第三方浏览器结合在一起才能使用。但是我们大多数时候需要让它内嵌在代码中运行,所以我们可以用一个叫PhantomJS的工具代替真实的浏览器。

可以从 PyPI 网站下载 Selenium库https://pypi.python.org/simple/selenium ,也可以用 第三方管理器 pip用命令安装:pip install selenium

Selenium 官方参考文档:http://selenium-python.readthedocs.io/index.html

PhantomJS

PhantomJS是一个基于Webkit的“无界面”(headless)浏览器,它会把网站加载到内存并执行页面上的JavaScript,因为不会展示图形界面,所以运行起来比完整的浏览器要高效。

如果我们把Selenium和PhantomJS结合在一起,就可以运行一个非常强大的网络爬虫了,这个爬虫可以处理JavaScript、Cookie、headers,以及任何我们真实用户需要做的事情。

注意:PhantomJS 只能从它的官方网站http://phantomjs.org/download.html 下载。 因为 PhantomJS 是一个功能完善(虽然无界面)的浏览器而非一个 Python 库,所以它不需要像 Python 的其他库一样安装,但我们可以通过Selenium调用PhantomJS来直接使用。

PhantomJS 官方参考文档:http://phantomjs.org/documentation

快速入门

Selenium库里有个叫WebDriver的API。WebDriver有点儿像可以加载网站的浏览器,但是它可以像BeautifulSoup或者其他Selector对象一样用来查找页面元素,与页面上的元素进行交互(发送文本、点击等),以及执行其他动作来运行网络爬虫。

#!/usr/bin/python3

# -*- coding:utf-8 -*-

 

# 导入webdriver

from selenium import webdriver

from selenium.webdriver.common.keys import Keys

import time

 

# 调用环境变量指定的PhantomJS浏览器创建浏览器对象,executable_path:指定PhantomJS位置

driver = webdriver.PhantomJS(executable_path = r"D:Program Filesphantomjsinphantomjs")

 

# get()方法会一直等到页面被完全加载,然后才会继续程序

driver.get("http://www.baidu.com/")

 

# 获取页面名为wrapper的id标签的文本内容

data = driver.find_element_by_id("wrapper").text

 

# 打印获取的文本内容

print(data)

 

# 打印页面标题:百度一下,你就知道

print(driver.title)

 

# 生成当前页面快照并保存

driver.save_screenshot("baidu.jpg")

 

# 在百度搜索输入框中输入“蚂蚁”

driver.find_element_by_id("kw").send_keys("蚂蚁")

 

# 模拟点击“百度一下”按钮

driver.find_element_by_id("su").click()

# 等待2秒,让页面加载

time.sleep(2)

 

# 获取搜索后的页面快照

driver.save_screenshot("蚂蚁.jpg")

 

# 打印网页渲染后的源代码

# print(driver.page_source)

 

# 获取当前页面Cookie

print(driver.get_cookies())

 

# Ctrl + a 全选输入框内容

driver.find_element_by_id("kw").send_keys(Keys.CONTROL, "a")

 

# Ctrl + x 剪切输入框内容

driver.find_element_by_id("kw").send_keys(Keys.CONTROL, "x")

 

# 输入框重新输入内容

driver.find_element_by_id("kw").send_keys("python")

 

# 模拟Enter回车键

driver.find_element_by_id("su").send_keys(Keys.ENTER)

 

# 等待2秒,让页面加载

time.sleep(2)

 

# 清除输入框内容

driver.find_element_by_id("kw").clear()

 

# 获取新的快照

driver.save_screenshot("python.jpg")

 

# 获取当前url

print(driver.current_url)

 

# 关闭当前页面,如果只有一个页面,会关闭浏览器

driver.close()

 

# 关闭浏览器

driver.quit()

页面操作

Selenium的WebDriver提供了各种方法来寻找元素,假设下面有一个表单输入框:

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

那么

# 获取id标签值

element = driver.find_element_by_id("passwd-id")

 

# 获取name标签值

element = driver.find_element_by_name("user-name")

 

# 获取标签名值

element = driver.find_element_by_tag_name("input")

 

# 通过xpath来匹配

element = driver.find_element_by_xpath("//input[@id='passwd-id']")

相关推荐:《Python相关教程》

定位UI元素(webElements)

关于元素的选取:

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

# 页面内容

<div id="coolestWidgetEvah">...</div>

 

# 实现

element = driver.find_element_by_id(coolestWidgetEvah")

2.by name

# 页面内容

<input name="cheese" type="text"/>

 

# 实现

element = driver.find_element_by_name("cheese")

3.by xpath

# 页面内容

<input type="text" name="example" />

<input type="text" name="other" />

 

# 实现

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

4.by link text

# 页面内容

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

 

# 实现

element = driver.find_element_by_link_text("cheese")

5.by partial link text

# 页面内容

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

 

# 实现

element = driver.find_element_by_partial_link_text("cheese")

6.by tag name

# 页面内容

<iframe src="..."></iframe>

 

# 实现

element = driver.find_element_by_tag_name("iframe")

7.by class name

# 页面内容

<div id="food"><span class="dairy">milk</span><span class="dairy aged">cheese</span></div>

 

# 实现

element = driver.find_elements_by_class_name("div")

8.by css selector

# 页面内容

<div id="food"><span class="dairy">milk</span><span class="dairy aged">cheese</span></div>

 

# 实现

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

鼠标动作链

有些时候,我们需要在页面上模拟一些鼠标操作,比如双击、右击、拖拽甚至按住不动等,我们可以通过导入ActionChains类来做到:

#导入 ActionChains 类

from selenium.webdriver import ActionChains

 

# 鼠标移动到 ac 位置

ac = driver.find_element_by_xpath('element')

ActionChains(driver).move_to_element(ac).perform()

 

 

# 在 ac 位置单击

ac = driver.find_element_by_xpath("elementA")

ActionChains(driver).move_to_element(ac).click(ac).perform()

 

# 在 ac 位置双击

ac = driver.find_element_by_xpath("elementB")

ActionChains(driver).move_to_element(ac).double_click(ac).perform()

 

# 在 ac 位置右击

ac = driver.find_element_by_xpath("elementC")

ActionChains(driver).move_to_element(ac).context_click(ac).perform()

 

# 在 ac 位置左键单击hold住

ac = driver.find_element_by_xpath('elementF')

ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform()

 

# 将 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()

填充表单

我们已经知道了怎样向文本框中输入文字,但是有时候我们会遇到select 标签的下拉框。直接点击下拉框中的选项不一定可行。

<select id="status" class="form-control valid" onchange="" name="status">

    <option value=""></option>

    <option value="0">未审核</option>

    <option value="1">初审通过</option>

    <option value="2">复审通过</option>

    <option value="3">审核不通过</option>

</select>

Selenium专门提供了select类来处理下拉框。其实WebDriver中提供了一个叫Select的方法,可以帮助我们完成这些事情:

# 导入 Select 类

from selenium.webdriver.support.ui import Select

 

# 找到 name 的选项卡

select = Select(driver.find_element_by_name('status'))

 

#

select.select_by_index(1)

select.select_by_value("0")

select.select_by_visible_text("未审核")

以上是三种选择下拉框的方法,可以根据索引来选择、根据值来选择、根据文字内容来选择。注意:

index 索引从0开始

value 是option标签的一个属性值,并不是显示在下拉框中的值

visible_text 是option标签文本的值,是显示在下拉框的值

全部取消选择:select.deselect_all()

弹窗处理

当你触发了某个事件之后,页面出现了弹窗提示,处理这个提示或者获取提示信息方法:

alert = driver.switch_to_alert()

页面切换

一个浏览器肯定会有很多窗口,所以我们肯定要有方法来实现窗口的切换。切换窗口的方法如下:

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

也可以使用window_handles 方法来获取每个窗口的操作对象。

for handle in driver.window_handles:

    driver.switch_to_window(handle)

页面前进和后退

操作页面的前进和后退功能:

driver.forward()     #前进

driver.back()        # 后退

Cookie

获取页面每个Cookie值:

for cookie in driver.get_cookies():

    print("%s -> %s" % (cookie['name'], cookie['value']))

删除Cookie:

# 通过Cookie名

driver.delete_cookie("CookieName")

 

# 删除所有

driver.delete_all_cookies()

页面等待

现在的网页越来越多的采用了Ajax技术,这样程序便不能确定何时页面完全加载完成。如果实际页面等待时间过长导致某个dom元素还没出来,但是你的代码直接使用了这个WebElement,那么就会抛出NullPointer的异常。

为了避免这种元素定位困难而且可能会导致抛异常,所以Selenium提供了两种等待方式,一种是隐式等待,一种是显式等待。

隐式等待是等待特定的时间,等待是指定某一个条件成立时继续执行。

隐式等待

隐式等待比较简单,就是简单地设置一个等待时间,单位为秒。

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")

显式等待

显式等待为指定某个条件,然后设置最长等待时间。如果在这个时间内,指定条件成立,则继续往下执行;如果在这个时间,指定条件还未成立,那么便会抛出异常。

from selenium import webdriver

from selenium.webdriver.common.by import By

# WebDriverWait 库,负责循环等待

from selenium.webdriver.support.ui import WebDriverWait

# expected_conditions 类,负责条件出发

from selenium.webdriver.support import expected_conditions as EC

 

driver = webdriver.Chrome()

driver.get("http://www.baidu.com/")

try:

    # 页面一直循环,直到 id="myDynamicElement" 出现

    element = WebDriverWait(driver, 10).until(

        EC.presence_of_element_located((By.ID, "myDynamicElement"))

    )

finally:

    driver.quit()

如果不写参数,程序默认会0.5s调用一次来查看元素是否已经加载完成,如果本来元素就是存在的,那么会立即返回。

下面是一些内置的等待条件,可以直接调用这些条件,而不用自己写某些等待条件了。

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

当然如果不设置,默认等待时间为0。


以上是 python爬虫之Selenium与PhantomJS 的全部内容, 来源链接: utcz.com/z/523544.html

回到顶部