基于Python, Selenium, Phantomjs无头浏览器访问页面

桃扇骨 2022-06-17 12:23 177阅读 0赞

引言：　在自动化测试以及爬虫领域，无头浏览器的应用场景非常广泛，本文将梳理其中的若干概念和思路，并基于代码示例其中的若干使用技巧。

1. 无头浏览器

通常大家在在打开网页的工具就是浏览器，通过界面上输入网址就可以访问相应的站点内容，这个就是通常所说的基于界面的浏览器。除了这种浏览器之外，还有一种叫做无头浏览器的东西，主要是用作爬虫，用以捕捉Web上的各类数据；这里的无头主要是指没有界面，完全是后台操作，对于网站来说，它以为访问它的就是一个真实的浏览器。

此类的框架包括： Phantomjs为代表，其它还有非常繁多的无头浏览器，大家可以自行了解一下。

2. Phantomjs

以javascript实现的一个无头浏览器，兼容大多数的浏览器标准，本质上是一个javascript的执行引擎和解析器。通过都是以它为底层服务，然后开发第三方其它语言的适配模块，从而打通访问phantomjs的通道, 比如Selenium, ghostdriver.

其官方站点为：　http://phantomjs.org，其支持多个平台的使用和部署。

3.  Selenium

其为Web的自动化测试框架，实现了WebDriver的接口，提供了不同平台操作各类浏览器的接口，比如目前主流的: IE, Firefox, Chrome, Opera, Android等各个平台的访问。

其起步阶段目标是满足自动化的需求，但其由于起特性，也可以用于页面的浏览访问，比如基于无头浏览器的数据抓取和捕获。

Selenium提供了多种语言的接口和多个平台/浏览器的支持，常见的有Java, Python, Javascript, Ruby等。

官方站点为：https://github.com/SeleniumHQ/selenium

4.  ghostdriver

根据其官方的描述：Ghost Driver is a pure JavaScript implementation of the WebDriver Wire Protocol for PhantomJS. It's a Remote WebDriver that uses PhantomJS as back-end.

其就是一个简要的WebDriver的实现，基于Javascript语言来实现，方便基于PhantomJS作为后端来通信。

官方地址：　https://github.com/detro/ghostdriver

5.  WebDriver

WebDriver是由W3C协会制定的用以描述浏览器行为的一组标准接口，Selenium实现其中部分的接口，大部分的浏览器都是以该标准来作为衡量优劣和完善与否的标准。

W3C的web driver定义：　https://www.w3.org/TR/webdriver/

6.  代码示例

让我们通过一段代码来看看如何基于Selenium和PhantomJS来实现自动化访问页面吧：

#from selenium import webdriver
    from selenium.common.exceptions import TimeoutException
    from selenium.webdriver.support.ui import WebDriverWait # available since 2.4.0
    from selenium.webdriver.support import expected_conditions as EC # available since 2.26.0
    from selenium.webdriver.phantomjs.webdriver import WebDriver
    
    # Create a new instance of the Firefox driver
    driver = WebDriver(executable_path='/opt/phantomjs-2.1.1-linux-x86_64/bin/phantomjs', port=5001)
    
    # go to the google home page
    driver.get("http://www.baidu.com")
    
    # the page is ajaxy so the title is originally this:
    print(driver.title)
    
    # find the element that's name attribute is q (the google search box)
    inputElement = driver.find_element_by_id("kw")
    
    # type in the search
    inputElement.send_keys("cheese!")
    
    # submit the form (although google automatically searches now without submitting)
    inputElement.submit()
    
    try:
        # we have to wait for the page to refresh, the last thing that seems to be updated is the title
        WebDriverWait(driver, 10).until(EC.title_contains("cheese!"))
    
        # You should see "cheese! - Google Search"
        print(driver.title)
        print(driver.get_cookies())
    
    finally:
        driver.quit()

这里基于PhantomJS作为无头浏览器的实现，WebDriver中的executable\_path是放置PhantomJS的路径。这里在页面打开之后，输出了title,动态输入了cheese关键词，然后点击回车，最后打出了cookies信息。

7.   API相关信息

Selenium Doc: https://seleniumhq.github.io/selenium/docs/api/py/index.html

Selenium API: https://seleniumhq.github.io/selenium/docs/api/py/api.html

Web Driver API: http://selenium-python.readthedocs.io/api.html

8. 总结

这里有一个概念需要澄清一下, Selenium原始的初衷是做基于浏览器的自动化测试，所以其大部分的功能都是在基于浏览器的访问和接口操作，操作的都是有界面的浏览器；PhantomJS只是其中无界面的浏览器的一个实现而已了。对于不同的WebDriver接口的使用遵循上述的原则。