Python爬虫(二十一)_Selenium与PhantomJS-白红宇

Python爬虫(二十一)_Selenium与PhantomJS

阅读量：5024 次

发布时间：2019-06-12

本文共 8424 字，大约阅读时间需要 28 分钟。

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：

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webdriverfrom 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


    
     Cheddar
    
    
     Gouda

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

cheese

实现

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

6.By Partial Link Text

search for cheese

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")

6.By CSS


    
     milk
     cheese

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")

7.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。

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 namedriver.delete_cookie('CookieName')#alldriver.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 webdriverfrom 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 webdriverdriver = webdriver.Chrome()driver.implicitly_wait(10)  #seconds driver.get("http://www.xxxxx.com/loading") myDynamicElement = driver.find_element_by_id("myDynamicElement")

转载于:https://www.cnblogs.com/moying-wq/p/10134606.html

你可能感兴趣的文章

pta 编程题14 Huffman Codes

查看>>

初始化bootstrap treeview树节点

查看>>

python selenium向<sapn>标签中写入内容

查看>>