Python爬蟲_Selenium與PhantomJS入門

阿新 • • 發佈：2019-12-31

Python爬蟲_Selenium與PhantomJS

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。型別像我們玩遊戲用的按鍵精靈，可以按指定的命令自動化操作，不同是Selenium可以直接執行在瀏覽器上，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，獲取需要的頁面，甚至頁面截圖，或者判斷網站某些動作是否發生。

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。但是我們有時候需要讓它內嵌在程式碼中執行，所以我們使用一個加PhantomJS的工具代替真實的瀏覽器。

可以從PyPI網站下載Selenium庫pypi.python.org/simple/sule…,也可以用第三方管理器pip命令安裝:pip install selenium Selenium官方參考檔案：selenium-python.readthedocs.io/index.html

PhantomJS

PhantomJS 是一個基於Webkit的“無介面”（headless）L瀏覽器，他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，所以執行起來比完整的瀏覽器更高效。

如果我們把Selenium和PhantomJS結合在一起，就可以執行一個非常強大的網路怕醜，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的其它庫一樣安裝，但我們可以通過Selenium呼叫PhantomJS來直接使用 PhantomsJS官方才考檔案：http://phantomjs.org/documention

快速入門

Selenium庫裡有一個叫WebDriver的API。WebDriver 可以控制瀏覽器的操作，它可以想BeautifulSoup或者其他的Selector物件一樣用來查詢頁面的元素，與頁面上的元素進行互動（傳送文字、點選等），以及執行其他動作來執行網路爬蟲。

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

# 主要用來測試Selenium 使用PhantomJS

#匯入webdriver
from selenium import webdriver
import time

# 想要呼叫鍵盤按鍵操作需要匯入keys包
from selenium.webdriver.common.keys import Keys

# 呼叫環境變數指定的PhantomJS瀏覽器建立瀏覽器物件。
driver = webdriver.PhantomJS()
driver.set_window_size(1366,768)

#如果沒有在環境變數指定PhantomJS位置
# driver = webdriver.PhantomJS(execute_path = "./phantomjs.exe")

# get方法會一直等到頁面載入，然後才會繼續執行程式，通常測試會在這裡選擇time.sleep(2)

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

# 獲取頁面名為wrapper的id標籤的文字內容
data = driver.find_element_by_id('wrapper').text

print(data)

print(driver.title)

# 生成頁面快照並儲存
driver.save_screenshot("baidu.png")

# id="kw" 是百度搜索輸入框，輸入字串 "長城"
driver.find_element_by_id('kw').send_keys('長城')

# id="su"是百度搜索按鈕，click()是模擬點選
driver.find_element_by_id('su').click()

#獲取新的頁面快照
driver.save_screenshot("長城.png")
#列印網頁渲染後的原始碼
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('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()
複製程式碼

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" />
複製程式碼

#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")
#也可以通過XPath來匹配
element = driver.find_element_by_xpath(//input[@id="passwd-id"])
複製程式碼

定位UI元素(WebElements)

關於元素的選取，有如下的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
複製程式碼

1.By ID

<div id="coolesWidgeEvah">...</div>
複製程式碼

實現

element = driver.find_element_by_id("coolesWidgetEvah")
複製程式碼

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

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

2.By Class Name

<div class="cheese"><span>Cheddar</span></div><div class="cheese"><span>Gouda</span></div>
複製程式碼

實現

cheese = driver.find_element_by_class_name('cheese')

複製程式碼

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

from selenium.webdriver.common.by import By
cheese = driver.find_elements(By.CLASS_NAME,"cheese")
複製程式碼

3.By Tag Name

<iframe src="..."></iframe>
複製程式碼

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")
複製程式碼

4.By Name

<imput name="cheese" type="text" />
複製程式碼

實現

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

5.By Link Text

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

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")
複製程式碼

6.By Partial Link Text

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

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")
複製程式碼

7.By CSS

<div id="food"><span class="dairy">milk</span><span class="dairy">cheese</span></div>
複製程式碼

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")
複製程式碼

8.By XPath

<input type="text" name="example" / >
<input type="text" name="other" / >
複製程式碼

實現

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

滑鼠動作鏈

有些時候，我們需要再頁面上模擬一些滑鼠操作，比如雙擊、右擊、拖拽甚至按住不同等，我們可以通過匯入ActionChains類來做到。

示例

#匯入ActionChains類
from selenium.webdrive import ActionChains

#滑鼠移動到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()
複製程式碼

填充表單

我們已經知道怎樣想文字框中輸入文字，但是有時候我們會碰到標籤的下拉框。直接點選下拉框中的選項不一定可以行。

<select id="status" class="form-control valid" onchange="" name = 'status'>
    <option value=""></option>
    <option value="0">未稽核</option>
    <option value="1">初審通過</option>
    <option value="2">複審通過</option>
    <option value="3">稽核不通過</option>
</select>
複製程式碼

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，可以幫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_id('status'))

#s
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text(u'未稽核')
複製程式碼

以上是三種選擇下拉框的方式，它可以根據索引來選擇，可以根據值來選擇，可以根據文字來選擇。注意：

index索引從0開始

value是option標籤的一個屬性值，並不是顯示在下拉框中的值

visible_text實在option標籤文字的值，是顯示在下拉框的值

全部取消怎麼辦？

select.deselect_all()
複製程式碼

彈窗處理

當你觸發了某個時間之後，頁面出現了彈窗提示，處理這個提示或者獲取提示資訊方法如下：

alert = driver.switch_to_alert()
複製程式碼

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')
複製程式碼

也可以使用window_handles方法來獲取每個視窗的操作物件。例如：

for handle in driver.window_handles:
    driver.switch_to_window(handle)
複製程式碼

頁面的前進和後退

操作頁面的前進和後退功能：

driver.forward()  #前進
driver.back()    #後退
複製程式碼

Cookies

獲取頁面每個Cookies值，用法如下：

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

刪除Cookies,用法如下：


#By name
driver.delete_cookie('CookieName')

#all
driver.delete_all_cookies()
複製程式碼

頁面等待

注意：這是非常重要的一部分！

現在的網頁原來越多采用了Ajax技術，這樣程式變不能確定何時某個元素完全載入出來了。如果實際頁面等待事件過長匯出某個dom元素還沒出來，但是你的程式碼直接使用了這個WebElement，那麼就會丟擲NullPointer的異常。為了避免這種元素定位困難而且會提高產生ElementNotVisibleException的概率。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，然後設定最長等待事件。如果在這個時間還找到沒有元素，那麼便會丟擲異常。


from selenium import webdriver
from 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:
    #頁面一直迴圈，知道id="myDynamicElement"出現
    element = WebDriverWait(driver,10).until(
            EC.presence_of_element_located((By.ID,"myDynamicElement"))
        )
finally:
    driver.quit()    
複製程式碼

如果不寫引數，程式預設會0.5s呼叫一次來來檢視安蘇是否已經生成，如果本來元素時存在的，那麼會立即返回。

下面是一些內建的等待條件，你可以直接呼叫這些條件，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
    aert_is_present
複製程式碼

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 webdriver

driver = webdriver.Chrome()
driver.implicitly_wait(10)  #seconds

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

myDynamicElement = driver.find_element_by_id("myDynamicElement")
複製程式碼

如果不設定，預設等待時間為0。