Python爬虫(二十一)_Selenium与PhantomJS

Myth丶恋晨 2021-07-04 18:56 364阅读 0赞

本章将介绍使用`Selenium`和`PhantomJS`两种工具用来加载动态数据，更多内容请参考：Python学习指南

## 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，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化操作，不同是`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，获取需要的页面，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。但是我们有时候需要让它内嵌在代码中运行，所有我们而已用一个叫`PhantomJS`的工具代替真实的浏览器。

> 可以从PyPI网站下载`Selenium`库`http://pypi.python.org/simple/sulenium`,也可以用第三方管理器pip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更高效。

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的其它库一样安装，但我们可以通过`Selenium`调用`PhantomJS`来直接使用  
`PhantomsJS`官方才考文档：http://phantomjs.org/documention

## 快速入门 ##

Selenium库里有一个叫`WebDriver`的API。`WebDriver`可以控制浏览器的操作，它可以像`BeautifulSoup`或者其它`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。

#-*- coding:utf-8 -*-
    #主要用来测试selenium使用phantomJs
    
    #导入webdriver
    from selenium import webdriver
    import time
    
    #要想调用键盘按键操作需要引入keys包
    from selenium.webdriver.common.keys import Keys
    
    #调用环境变量指定的PhantomJS浏览器创建浏览器对象
    driver = webdriver.PhantomJS()
    driver.set_window_size(1366, 768)
    #如果没有在环境变量指定PhantomJS位置
    #driver = webdriver.PhantomJS(executable_path = "./phantomjs")
    
    #get方法会一直等到页面加载，然后才会继续程序，通常测试会在这里选择time.sleep(2)
    
    driver.get("http://www.baidu.com/")
    
    #获取页面名为wraper的id标签的文本内容
    data = driver.find_element_by_id('wrapper').text
    
    #打印数据内容
    print(data)
    
    print driver.title
    
    #生成页面快照并保存
    driver.save_screenshot("baidu.png")
    
    # id="kw"是百度搜索输入框，输入字符串"长城"
    driver.find_element_by_id('kw').send_keys(u'长城')
    
    # id="su"是百度搜索按钮，click()是模拟点击
    driver.find_element_by_id('su').click()
    
    #获取新的页面快照
    driver.save_screenshot("长城.png")
    
    #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('itcast')
    
    #模拟Enter回车键
    driver.find_element_by_id('su').send_keys(Keys.RETURN)
    time.sleep(5)
    
    #清空输入框内容
    driver.find_element_by_id('kw').clear()
    
    #生成新的页面快照
    driver.save_screenshot('itcast.png')
    
    #获取当前url
    print(driver.current_url)
    
    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：

那么：

#获取id标签值
    element = driver.find_element_by_id("passwd-id")
    #获取name值
    element = driver.find_element_by_name("user-name")
    #获取标签名
    element = driver.find_element_by_tag("input")
    #也可以通过XPath来匹配
    element = driver.find_element_by_xpath(//input[@id="passwd-id"])

## 定位UI元素(`WebElements`) ##

关于元素的选取，有如下的API单个元素选取

> 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

### 1. `By ID` ###

实现

element = driver.find_element_by_id("coolesWidgetEvah")
    
    ---------or-------
    from selenium.webdriver.common.by import By
    element = driver.find_element(by=By.ID, value="coolesWidgetEvah")

### 2. `By Class Name` ###

<div class="cheese"><span>Cheddar</span></div><div class="cheese"><span>Gouda</span></div>

实现

cheese = driver.find_element_by_class_name('cheese')
    
    ----------------or--------------------
    from selenium.webdriver.common.by import By
    cheese = driver.find_elements(By.CLASS_NAME, "cheese")

### 3. `By Tag Name` ###

实现

frame = driver.find_element_by_tag_name("iframe")
    ------------------------or---------------
    from selenium.webdriver.common.by import By
    frame = driver.find_element(By.TAG_NAME, "iframe")

### 4. `By Name` ###

实现

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

### 5. `By Link Text` ###

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

实现

cheese = driver.find_element_by_link_text("cheese")
    ---------------------or-----------------------
    from selenium.webdriver.common.by import By
    cheese = driver.find_element(By.LINK_TEXT, "cheese")

### 6. `By Partial Link Text` ###

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

实现

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")

### 7. `By CSS` ###

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

实现

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")

### 8.`By XPath` ###

实现

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

## 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，我们可通过导入ActionChains类来做到：

\*\*示例： \*\*

#导入ActionChains类
    from selenium.webdrive import ActionChains
    
    #鼠标移动到ac位置
    ac = driver.find_elenemt_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输入文字，但是有时候我们会碰到`<select></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" οnchange="" 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>

下拉框

`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'))
    
    #s
    select.select_by_index(1)
    select.select_by_value("0")
    select.select_by_visible_text(u'未审核')

以上是三种选择下拉框的方式，它可以根据索引来选择，可以根据值来选择，可以根据文字来选择。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`实在`option`标签文本的值，是显示在下拉框的值

全部取消选择怎么办呢？很简单：

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如下：

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。例如：

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

## 页面的前进和后退 ##

操作页面的前进和后退功能：

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

## `Cookies` ##

获取页面每个`Cookies`值，用法如下：

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

删除`Cookies`,用法如下：

#By name
    driver.delete_cookie('CookieName')
    
    #all
    driver.delete_all_cookies()

## 页面等待 ##

注意：这是非常重要的一部分！

现在的网页原来越多采用了`Ajax`技术，这样程序变不能确定何时某个元素完全加载出来了。如果实际页面等待事件过长导出某个`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会提高产生`ElementNotVisibleException`的概率。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。

隐式等待就是等待特定的时间，显示等待是指定某一条件知道这个条件成立时继续执行。

### 显式等待 ###

显示等待指定了某个条件，然后设置最长等待事件。如果在这个时间还找到没有元素，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，负责条件触发
    from selenium.webdriver.support import expected_conditions as EC
    
    driver = webdriver.Chrome()
    
    driver.get("http://www.xxxx.com/loading")
    
    try:
        #页面一直循环，知道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`调用一次来来查看安苏是否已经生成，如果本来元素时存在的，那么会立即返回。

下面是一些内置的等待条件，你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  
> aert\_is\_present

### 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()
    driver.implicitly_wait(10)  #seconds
    
    driver.get("http://www.xxxxx.com/loading")
    
    myDynamicElement = driver.find_element_by_id("myDynamicElement")

如果不设置，默认等待时间为`0`。