PhantomJS爬蟲 -----全國高校查詢-------計算機科學與技術前50大學
阿新 • • 發佈：2019-02-06
安裝 指定 execute closed date llb 指令 time out 最長 
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，
Selenium可以根據我們的指令，讓瀏覽器自動加載頁面，獲取需要的頁面，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。但是我們有時候需要讓它內嵌在代碼中運行，所有我們而已用一個叫PhantomJS的工具代替真實的瀏覽器。
PhantomJS是一個基於Webkit的"無界面"(headless)瀏覽器，它會把網站加載到內存並執行頁面上的JavaScript，因為不會展示圖形界面，所以運行起來比完整的瀏覽器更高效。
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。
註意：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(雖然無界面)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調用PhantomJS來直接使用
PhantomsJS官方才考文檔：http://phantomjs.org/documention
Selenium和PhantomJS 拓展詳解
導入webdriver---->from selenium import webdriver 調用環境變量指定的phantomjs瀏覽器創建瀏覽器對象 driver=webdriver.PhantomJs() 如果沒有在壞境變量指定phantomjs位置則:driver=webdriver.PhantomJs(executable_path=‘./phantomJs‘)) get方法會一直等到頁面完全加載完，才會繼續執行程序，通常測試會在這裏選擇time.sleep() driver.get(‘http://www.baidu.com/‘) Selenium詳解 安裝：pip3 install selenium http://phantomjs.org/download.html selenium用法詳解 selenium 是一套完整的web應用程序測試系統，包含了測試的錄制（selenium IDE）,編寫及運行 （Selenium Remote Control）和測試的並行處理（Selenium Grid）。Selenium的核心Selenium Core 基於JsUnit，完全由JavaScript編寫，因此可以用於任何支持JavaScript的瀏覽器上。 selenium主要是用來做自動化測試，支持多種瀏覽器，爬蟲中主要用來解決JavaScript渲染問題。 模擬瀏覽器進行網頁加載，當requests,urllib無法正常獲取網頁內容的時候 一、聲明瀏覽器對象 註意點一，Python文件名或者包名不要命名為selenium，會導致無法導入 from selenium import webdriver #webdriver可以認為是瀏覽器的驅動器，要驅動瀏覽器必須用到webdriver，支持多種瀏覽器，這裏以Chrome為例 browser = webdriver.Chrome() 二、訪問頁面並獲取網頁html from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.taobao.com‘) print(browser.page_source)#browser.page_source是獲取網頁的全部html browser.close() 三、查找元素 單個元素 from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.taobao.com‘) input_first = browser.find_element_by_id(‘q‘) input_second = browser.find_element_by_css_selector(‘#q‘) input_third = browser.find_element_by_xpath(‘//*[@id="q"]‘) print(input_first,input_second,input_third) browser.close() 常用的查找方法 find_element_by_id find_element_by_name find_element_by_xpath find_element_by_link_text find_element_by_partial_link_text find_element_by_tag_name find_element_by_class_name find_element_by_css_selector 也可以使用通用的方法 from selenium import webdriver from selenium.webdriver.common.by import By ---這裏需要記住By模塊所以需要導入 browser = webdriver.Chrome() browser.get(‘https://www.taobao.com‘) input_first = browser.find_element(BY.ID,‘q‘)#第一個參數傳入名稱，第二個傳入具體的參數 print(input_first) browser.close() 多個元素，elements多個s input_first = browser.find_elements_by_id(‘q‘) 四、元素交互操作-搜索框傳入關鍵詞進行自動搜索 from selenium import webdriver import time browser = webdriver.Chrome() browser.get(‘https://www.taobao.com‘) input = browser.find_element_by_id(‘q‘)#找到搜索框 input.send_keys(‘iPhone‘)#傳送入關鍵詞 time.sleep(5) input.clear()#清空搜索框 input.send_keys(‘男士內褲‘) button = browser.find_element_by_class_name(‘btn-search‘)#找到搜索按鈕 button.click() 更多操作: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement#可以有屬性、截圖等等 五、交互動作，驅動瀏覽器進行動作，模擬拖拽動作，將動作附加到動作鏈中串行執行 from selenium import webdriver from selenium.webdriver import ActionChains#引入動作鏈 browser = webdriver.Chrome() url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘ browser.get(url) browser.switch_to.frame(‘iframeResult‘)#切換到iframeResult框架 source = browser.find_element_by_css_selector(‘#draggable‘)#找到被拖拽對象 target = browser.find_element_by_css_selector(‘#droppable‘)#找到目標 actions = ActionChains(browser)#聲明actions對象 actions.drag_and_drop(source, target) actions.perform()#執行動作 更多操作: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains 六、執行JavaScript 有些動作可能沒有提供api，比如進度條下拉，這時，我們可以通過代碼執行JavaScript from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.zhihu.com/explore‘) browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘) browser.execute_script(‘alert("To Bottom")‘) 七、獲取元素信息 獲取屬性 from selenium import webdriver from selenium.webdriver import ActionChains browser = webdriver.Chrome() url = ‘https://www.zhihu.com/explore‘ browser.get(url) logo = browser.find_element_by_id(‘zh-top-link-logo‘)#獲取網站logo print(logo) print(logo.get_attribute(‘class‘)) browser.close() 獲取文本值 from selenium import webdriver browser = webdriver.Chrome() url = ‘https://www.zhihu.com/explore‘ browser.get(url) input = browser.find_element_by_class_name(‘zu-top-add-question‘) print(input.text)#input.text文本值 browser.close() # 獲取Id，位置，標簽名，大小 from selenium import webdriver browser = webdriver.Chrome() url = ‘https://www.zhihu.com/explore‘ browser.get(url) input = browser.find_element_by_class_name(‘zu-top-add-question‘) print(input.id)#獲取id print(input.location)#獲取位置 print(input.tag_name)#獲取標簽名 print(input.size)#獲取大小 browser.close() 八、Frame操作 frame相當於獨立的網頁，如果在父類網frame查找子類的，則必須切換到子類的frame，子類如果查找父類也需要先切換 這裏常用的是switch_to.from()和switch_to.parent_frame() from selenium import webdriver from selenium.common.exceptions import NoSuchElementException browser = webdriver.Chrome() url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘ browser.get(url) browser.switch_to.frame(‘iframeResult‘) source = browser.find_element_by_css_selector(‘#draggable‘) print(source) try: logo = browser.find_element_by_class_name(‘logo‘) except NoSuchElementException: print(‘NO LOGO‘) browser.switch_to.parent_frame() logo = browser.find_element_by_class_name(‘logo‘) print(logo) print(logo.text) 九、等待 隱式等待 當使用了隱式等待執行測試的時候，如果 WebDriver沒有在 DOM中找到元素，將繼續等待，超出設定時間後則拋出找不到元素的異常, 換句話說，當查找元素或元素並沒有立即出現的時候，隱式等待將等待一段時間再查找 DOM，默認的時間是0 from selenium import webdriver browser = webdriver.Chrome() browser.implicitly_wait(10)#等待十秒加載不出來就會拋出異常，10秒內加載出來正常返回 browser.get(‘https://www.zhihu.com/explore‘) input = browser.find_element_by_class_name(‘zu-top-add-question‘) print(input) 顯式等待 指定一個等待條件，和一個最長等待時間，程序會判斷在等待時間內條件是否滿足，如果滿足則返回，如果不滿足會繼續等待，超過時間就會拋出異常 from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC browser = webdriver.Chrome() browser.get(‘https://www.taobao.com/‘) wait = WebDriverWait(browser, 10) input = wait.until(EC.presence_of_element_located((By.ID, ‘q‘))) button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ‘.btn-search‘))) print(input, button) title_is 標題是某內容 title_contains 標題包含某內容 presence_of_element_located 元素加載出，傳入定位元組，如(By.ID, ‘p‘) visibility_of_element_located 元素可見，傳入定位元組 visibility_of 可見，傳入元素對象 presence_of_all_elements_located 所有元素加載出 text_to_be_present_in_element 某個元素文本包含某文字 text_to_be_present_in_element_value 某個元素值包含某文字 frame_to_be_available_and_switch_to_it frame加載並切換 invisibility_of_element_located 元素不可見 element_to_be_clickable 元素可點擊 staleness_of 判斷一個元素是否仍在DOM，可判斷頁面是否已經刷新 element_to_be_selected 元素可選擇，傳元素對象 element_located_to_be_selected 元素可選擇，傳入定位元組 element_selection_state_to_be 傳入元素對象以及狀態，相等返回True，否則返回False element_located_selection_state_to_be 傳入定位元組以及狀態，相等返回True，否則返回False alert_is_present 是否出現Alert 詳細內容：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions 十一、前進後退-實現瀏覽器的前進後退以瀏覽不同的網頁back()和forward() import time from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.baidu.com/‘) browser.get(‘https://www.taobao.com/‘) browser.get(‘https://www.python.org/‘) browser.back() time.sleep(1) browser.forward() browser.close() 十二、Cookies操作 get_cookies() delete_all_cookes() add_cookie() from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.zhihu.com/explore‘) print(browser.get_cookies()) browser.add_cookie({‘name‘: ‘name‘, ‘domain‘: ‘www.zhihu.com‘, ‘value‘: ‘germey‘}) print(browser.get_cookies()) browser.delete_all_cookies() print(browser.get_cookies()) 選項卡管理 增加瀏覽器窗口 通過執行js命令實現新開選項卡window.open() 不同的選項卡是存在列表裏browser.window_handles 通過browser.window_handles[0]就可以操作第一個選項卡 import time from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.baidu.com‘) browser.execute_script(‘window.open()‘) print(browser.window_handles) browser.switch_to_window(browser.window_handles[1]) browser.get(‘https://www.taobao.com‘) time.sleep(1) browser.switch_to_window(browser.window_handles[0]) browser.get(‘http://www.fishc.com‘) 十三、異常處理 這裏的異常比較復雜，官網的參考地址： http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions 這裏只進行簡單的演示，查找一個不存在的元素 from selenium import webdriver browser = webdriver.Chrome() browser.get(‘https://www.baidu.com‘) browser.find_element_by_id(‘hello‘) from selenium import webdriver from selenium.common.exceptions import TimeoutException, NoSuchElementException browser = webdriver.Chrome() try: browser.get(‘https://www.baidu.com‘) except TimeoutException: print(‘Time Out‘) try: browser.find_element_by_id(‘hello‘) except NoSuchElementException: print(‘No Element‘) finally: browser.close() # 詳細文檔：http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptionsView Code
這裏我們運用PhantomJS爬取全國高校查詢計算機科學與技術專業前50的學校，並且存入到數據庫。
如下圖所示
對重點專業：是、否進行處理
教育部直屬、985大學、211大學標簽使用beautiful soup 進行處理
代碼如下
1 # -*- coding:utf-8 -*- 2 # author:zxy 3 # date:2019-2-5 4 5 from bs4 import BeautifulSoup 6 from selenium import webdriver 7 import re 8 from c_Study import conn9 10 11 def main(): 12 driver_path = r‘C:\Program Files\phantomjs-2.1.1-windows\bin\phantomjs.exe‘ 13 driver = webdriver.PhantomJS(executable_path=driver_path) 14 for i in range(1, 6, 1): 15 url = ‘https://gkcx.eol.cn/soudaxue/querySchoolSpecialty.html?&argspecialtyname=%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6%E4%B8%8E%E6%8A%80%E6%9C%AF&argzycengci=%E6%9C%AC%E7%A7%91&page=‘ 16 + str(i) 17 driver.get(url) 18 data = driver.page_source 19 dfcontent = BeautifulSoup(data, ‘lxml‘) 20 trs = dfcontent.find_all(‘tr‘)[1:] 21 for tr in trs: 22 college_name = tr.find_all(‘td‘)[0].string # 大學名稱 23 college_major = tr.find_all(‘td‘)[1].string # 專業名稱 24 major_isKey = tr.find_all(‘td‘)[2].string # 是否重點專業 25 if major_isKey == "是": 26 major_isKey = 1 27 elif major_isKey == ‘否‘: 28 major_isKey = 0 29 is_direct = tr.find_all(‘td‘)[3] # 是否教育部直屬 30 if is_direct.find(attrs={‘style‘: re.compile(‘.*?#CCCCCC;.*?‘)}): 31 is_direct = 0 32 else: 33 is_direct = 1 34 is_985 = tr.find_all(‘td‘)[4] # 是否985大學 35 if is_985.find(attrs={‘style‘: re.compile(‘.*?#CCCCCC;.*?‘)}): 36 is_985 = 0 37 else: 38 is_985 = 1 39 is_211 = tr.find_all(‘td‘)[5] # 是否211大學 40 if is_211.find(attrs={‘style‘: re.compile(‘.*?#CCCCCC;.*?‘)}): 41 is_211 = 0 42 else: 43 is_211 = 1 44 45 conn.insert_into_db(‘colleges‘, college_name, college_major, major_isKey, is_direct, is_direct, is_211) 46 if __name__ == ‘__main__‘: 47 main()
1 # -*- coding:utf-8 -*- 2 # author:zxy 3 # Date:2019-2-5 4 # Update: 5 import pymysql 6 7 8 9 def insert_into_db(dbname,*args): 10 db = pymysql.Connect("localhost", ‘root‘, ‘pwd‘, "dbname") 11 sql = "insert into "+dbname+"(name, major, major_isKey, is_direct,is_985,is_211) values (%s, %s, %s, %s, %s, %s);" 12 cur = db.cursor() 13 try: 14 cur.execute(sql, args) 15 db.commit() 16 except: 17 db.rollback()
結果如下所示:
PhantomJS爬蟲 -----全國高校查詢-------計算機科學與技術前50大學