javascript
爬虫工具——Selenium和PhantomJS
Selenium是一個Web的自動化測試工具,最初是為網(wǎng)站自動化測試而開發(fā)的,類型像我們玩游戲用的按鍵精靈,可以按指定的命令自動操作,不同是Selenium 可以直接運(yùn)行在瀏覽器上,它支持所有主流的瀏覽器(包括PhantomJS這些無界面的瀏覽器)。
Selenium 可以根據(jù)我們的指令,讓瀏覽器自動加載頁面,獲取需要的數(shù)據(jù),甚至頁面截屏,或者判斷網(wǎng)站上某些動作是否發(fā)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(jié)合在一起才能使用。但是我們有時候需要讓它內(nèi)嵌在代碼中運(yùn)行,所以我們可以用一個叫 PhantomJS 的工具代替真實(shí)的瀏覽器。
可以從 PyPI 網(wǎng)站下載 Selenium庫https://pypi.python.org/simple/selenium?,也可以用 第三方管理器 pip用命令安裝:pip install selenium
Selenium 官方參考文檔:http://selenium-python.readthedocs.io/index.html
PhantomJS
PhantomJS?是一個基于Webkit的“無界面”(headless)瀏覽器,它會把網(wǎng)站加載到內(nèi)存并執(zhí)行頁面上的 JavaScript,因?yàn)椴粫故緢D形界面,所以運(yùn)行起來比完整的瀏覽器要高效。
如果我們把 Selenium 和 PhantomJS 結(jié)合在一起,就可以運(yùn)行一個非常強(qiáng)大的網(wǎng)絡(luò)爬蟲了,這個爬蟲可以處理 JavaScrip、Cookie、headers,以及任何我們真實(shí)用戶需要做的事情。
注意:PhantomJS 只能從它的官方網(wǎng)站http://phantomjs.org/download.html)?下載。 因?yàn)?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 的其他庫一樣安裝,但我們可以通過Selenium調(diào)用PhantomJS來直接使用。
PhantomJS 官方參考文檔:http://phantomjs.org/documentation
快速入門
Selenium 庫里有個叫 WebDriver 的 API。WebDriver 有點(diǎn)兒像可以加載網(wǎng)站的瀏覽器,但是它也可以像 BeautifulSoup 或者其他 Selector 對象一樣用來查找頁面元素,與頁面上的元素進(jìn)行交互 (發(fā)送文本、點(diǎn)擊等),以及執(zhí)行其他動作來運(yùn)行網(wǎng)絡(luò)爬蟲。
# IPython2 測試代碼# 導(dǎo)入 webdriver from selenium import webdriver# 要想調(diào)用鍵盤按鍵操作需要引入keys包 from selenium.webdriver.common.keys import Keys # 調(diào)用環(huán)境變量指定的PhantomJS瀏覽器創(chuàng)建瀏覽器對象 driver = webdriver.PhantomJS() # 如果沒有在環(huán)境變量指定PhantomJS位置 # driver = webdriver.PhantomJS(executable_path="./phantomjs")) # get方法會一直等到頁面被完全加載,然后才會繼續(xù)程序,通常測試會在這里選擇 time.sleep(2) driver.get("http://www.baidu.com/") # 獲取頁面名為 wrapper的id標(biāo)簽的文本內(nèi)容 data = driver.find_element_by_id("wrapper").text # 打印數(shù)據(jù)內(nèi)容 print data # 打印頁面標(biāo)題 "百度一下,你就知道" print driver.title # 生成當(dāng)前頁面快照并保存 driver.save_screenshot("baidu.png") # id="kw"是百度搜索輸入框,輸入字符串"長城" driver.find_element_by_id("kw").send_keys(u"長城") # id="su"是百度搜索按鈕,click() 是模擬點(diǎn)擊 driver.find_element_by_id("su").click() # 獲取新的頁面快照 driver.save_screenshot("長城.png") # 打印網(wǎng)頁渲染后的源代碼 print driver.page_source # 獲取當(dāng)前頁面Cookie print driver.get_cookies() # ctrl+a 全選輸入框內(nèi)容 driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'a') # ctrl+x 剪切輸入框內(nèi)容 driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'x') # 輸入框重新輸入內(nèi)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) # 清除輸入框內(nèi)容 driver.find_element_by_id("kw").clear() # 生成新的頁面快照 driver.save_screenshot("itcast.png") # 獲取當(dāng)前url print driver.current_url # 關(guān)閉當(dāng)前頁面,如果只有一個頁面,會關(guān)閉瀏覽器 # driver.close() # 關(guān)閉瀏覽器 driver.quit()頁面操作
Selenium 的 WebDriver提供了各種方法來尋找元素,假設(shè)下面有一個表單輸入框:
<input type="text" name="user-name" id="passwd-id" />那么:
# 獲取id標(biāo)簽值 element = driver.find_element_by_id("passwd-id") # 獲取name標(biāo)簽值 element = driver.find_element_by_name("user-name") # 獲取標(biāo)簽名值 element = driver.find_elements_by_tag_name("input") # 也可以通過XPath來匹配 element = driver.find_element_by_xpath("//input[@id='passwd-id']")鼠標(biāo)動作鏈
有些時候,我們需要再頁面上模擬一些鼠標(biāo)操作,比如雙擊、右擊、拖拽甚至按住不動等,我們可以通過導(dǎo)入 ActionChains 類來做到:
示例:
#導(dǎo)入 ActionChains 類 from selenium.webdriver import ActionChains# 鼠標(biāo)移動到 ac 位置 ac = driver.find_element_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()填充表單
我們已經(jīng)知道了怎樣向文本框中輸入文字,但是有時候我們會碰到<select> </select>標(biāo)簽的下拉框。直接點(diǎn)擊下拉框中的選項(xiàng)不一定可行。
<select id="status" class="form-control valid" onchange="" name="status"> <option value=""></option> <option value="0">未審核</option> <option value="1">初審?fù)ㄟ^</option> <option value="2">復(fù)審?fù)ㄟ^</option> <option value="3">審核不通過</option> </select>Selenium專門提供了Select類來處理下拉框。 其實(shí) WebDriver 中提供了一個叫 Select 的方法,可以幫助我們完成這些事情:
# 導(dǎo)入 Select 類 from selenium.webdriver.support.ui import Select# 找到 name 的選項(xiàng)卡 select = Select(driver.find_element_by_name('status')) # select.select_by_index(1) select.select_by_value("0") select.select_by_visible_text(u"未審核")以上是三種選擇下拉框的方式,它可以根據(jù)索引來選擇,可以根據(jù)值來選擇,可以根據(jù)文字來選擇。注意:
- index 索引從 0 開始
- value是option標(biāo)簽的一個屬性值,并不是顯示在下拉框中的值
- visible_text是在option標(biāo)簽文本的值,是顯示在下拉框的值
全部取消選擇怎么辦呢?很簡單:
select.deselect_all()彈窗處理
當(dāng)你觸發(fā)了某個事件之后,頁面出現(xiàn)了彈窗提示,處理這個提示或者獲取提示信息方法如下:
alert = driver.switch_to_alert()頁面切換
一個瀏覽器肯定會有很多窗口,所以我們肯定要有方法來實(shí)現(xiàn)窗口的切換。切換窗口的方法如下:
driver.switch_to.window("this is window name")也可以使用 window_handles 方法來獲取每個窗口的操作對象。例如:
for handle in driver.window_handles:driver.switch_to_window(handle)頁面前進(jìn)和后退
操作頁面的前進(jìn)和后退功能:
driver.forward() #前進(jìn) driver.back() # 后退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'])刪除Cookies,用法如下
# By name driver.delete_cookie("CookieName")# all driver.delete_all_cookies()頁面等待
注意:這是非常重要的一部分!!
現(xiàn)在的網(wǎng)頁越來越多采用了 Ajax 技術(shù),這樣程序便不能確定何時某個元素完全加載出來了。如果實(shí)際頁面等待時間過長導(dǎo)致某個dom元素還沒出來,但是你的代碼直接使用了這個WebElement,那么就會拋出NullPointer的異常。
為了避免這種元素定位困難而且會提高產(chǎn)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。
隱式等待是等待特定的時間,顯式等待是指定某一條件直到這個條件成立時繼續(xù)執(zhí)行。
顯式等待
顯式等待指定某個條件,然后設(shè)置最長等待時間。如果在這個時間還沒有找到元素,那么便會拋出異常了。
from selenium import webdriver from selenium.webdriver.common.by import By # WebDriverWait 庫,負(fù)責(zé)循環(huán)等待 from selenium.webdriver.support.ui import WebDriverWait # expected_conditions 類,負(fù)責(zé)條件出發(fā) from selenium.webdriver.support import expected_conditions as EC driver = webdriver.Chrome() driver.get("http://www.xxxxx.com/loading") try: # 頁面一直循環(huán),直到 id="myDynamicElement" 出現(xiàn) element = WebDriverWait(driver, 10).until( EC.presence_of_element_located((By.ID, "myDynamicElement")) ) finally: driver.quit()如果不寫參數(shù),程序默認(rèn)會 0.5s 調(diào)用一次來查看元素是否已經(jīng)生成,如果本來元素就是存在的,那么會立即返回。
下面是一些內(nèi)置的等待條件,你可以直接調(diào)用這些條件,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 alert_is_present隱式等待
隱式等待比較簡單,就是簡單地設(shè)置一個等待時間,單位為秒。
from selenium import webdriverdriver = webdriver.Chrome() driver.implicitly_wait(10) # seconds driver.get("http://www.xxxxx.com/loading") myDynamicElement = driver.find_element_by_id("myDynamicElement")當(dāng)然如果不設(shè)置,默認(rèn)等待時間為0。
? ? ?轉(zhuǎn)載于:https://www.cnblogs.com/lmx123/p/9243863.html
總結(jié)
以上是生活随笔為你收集整理的爬虫工具——Selenium和PhantomJS的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。