python爬虫Selenium与PhantomJS
这期内容当中小编将会给大家带来有关python爬虫Selenium与PhantomJS,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。
十余年的桓台网站建设经验,针对设计、前端、开发、售后、文案、推广等六对一服务,响应快,48小时及时工作处理。成都全网营销推广的优势是能够根据用户设备显示端的尺寸不同,自动调整桓台建站的显示方式,使网站能够适用不同显示终端,在浏览器中调整网站的宽度,无论在任何一种浏览器上浏览网站,都能展现优雅布局与设计,从而大程度地提升浏览体验。成都创新互联公司从事“桓台网站设计”,“桓台网站推广”以来,每个客户项目都认真落实执行。
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,类型像我们玩游戏用的按键精灵,可以按指定的命令自动操作,不同的是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,获取需要的数据,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。但是我们大多数时候需要让它内嵌在代码中运行,所以我们可以用一个叫PhantomJS的工具代替真实的浏览器。
可以从 PyPI 网站下载 Selenium库https://pypi.python.org/simple/selenium ,也可以用 第三方管理器 pip用命令安装: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要高效。
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 只能从它的官方网站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 的其他库一样安装,但我们可以通过Selenium调用PhantomJS来直接使用。
PhantomJS 官方参考文档:http://phantomjs.org/documentation
快速入门
Selenium库里有个叫WebDriver的API。WebDriver有点儿像可以加载网站的浏览器,但是它可以像BeautifulSoup或者其他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。
#!/usr/bin/python3 # -*- coding:utf-8 -*- # 导入webdriver from selenium import webdriver from selenium.webdriver.common.keys import Keys import time # 调用环境变量指定的PhantomJS浏览器创建浏览器对象,executable_path:指定PhantomJS位置 driver = webdriver.PhantomJS(executable_path = r"D:\Program Files\phantomjs\bin\phantomjs") # get()方法会一直等到页面被完全加载,然后才会继续程序 driver.get("http://www.baidu.com/") # 获取页面名为wrapper的id标签的文本内容 data = driver.find_element_by_id("wrapper").text # 打印获取的文本内容 print(data) # 打印页面标题:百度一下,你就知道 print(driver.title) # 生成当前页面快照并保存 driver.save_screenshot("baidu.jpg") # 在百度搜索输入框中输入“蚂蚁” driver.find_element_by_id("kw").send_keys("蚂蚁") # 模拟点击“百度一下”按钮 driver.find_element_by_id("su").click() # 等待2秒,让页面加载 time.sleep(2) # 获取搜索后的页面快照 driver.save_screenshot("蚂蚁.jpg") # 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("python") # 模拟Enter回车键 driver.find_element_by_id("su").send_keys(Keys.ENTER) # 等待2秒,让页面加载 time.sleep(2) # 清除输入框内容 driver.find_element_by_id("kw").clear() # 获取新的快照 driver.save_screenshot("python.jpg") # 获取当前url print(driver.current_url) # 关闭当前页面,如果只有一个页面,会关闭浏览器 driver.close() # 关闭浏览器 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标签值 element = driver.find_element_by_name("user-name") # 获取标签名值 element = driver.find_element_by_tag_name("input") # 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:
find_element_by_id find_elements_by_name find_elements_by_xpath find_elements_by_link_text find_elements_by_partial_link_text find_elements_by_tag_name find_elements_by_class_name find_elements_by_css_selector
1.by id
# 页面内容...# 实现 element = driver.find_element_by_id(coolestWidgetEvah")
2.by name
# 页面内容 # 实现 element = driver.find_element_by_name("cheese")
3.by xpath
# 页面内容 # 实现 element = driver.find_elements_by_xpath("//input")
4.by link text
# 页面内容 cheese # 实现 element = driver.find_element_by_link_text("cheese")
5.by partial link text
# 页面内容 search for cheese> # 实现 element = driver.find_element_by_partial_link_text("cheese")
6.by tag name
# 页面内容 # 实现 element = driver.find_element_by_tag_name("iframe")
7.by class name
# 页面内容milkcheese# 实现 element = driver.find_elements_by_class_name("div")
8.by css selector
# 页面内容milkcheese# 实现 element = driver.find_elements_by_css_selector("#food span.dairy.aged")
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,我们可以通过导入ActionChains类来做到:
#导入 ActionChains 类 from selenium.webdriver import ActionChains # 鼠标移动到 ac 位置 ac = driver.find_element_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中输入文字,但是有时候我们会遇到select 标签的下拉框。直接点击下拉框中的选项不一定可行。
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')) # select.select_by_index(1) select.select_by_value("0") select.select_by_visible_text("未审核")
以上是三种选择下拉框的方法,可以根据索引来选择、根据值来选择、根据文字内容来选择。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 是option标签文本的值,是显示在下拉框的值
全部取消选择: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:
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。
for handle in driver.window_handles: driver.switch_to_window(handle)
页面前进和后退
操作页面的前进和后退功能:
driver.forward() #前进 driver.back() # 后退
Cookie
获取页面每个Cookie值:
for cookie in driver.get_cookies(): print("%s -> %s" % (cookie['name'], cookie['value']))
删除Cookie:
# 通过Cookie名 driver.delete_cookie("CookieName") # 删除所有 driver.delete_all_cookies()
页面等待
现在的网页越来越多的采用了Ajax技术,这样程序便不能确定何时页面完全加载完成。如果实际页面等待时间过长导致某个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可能会导致抛异常,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。
隐式等待是等待特定的时间,等待是指定某一个条件成立时继续执行。
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() # 等待10秒 driver.implicitly_wait(10) # seconds driver.get("http://www.baidu.com/") myDynamicElement = driver.find_element_by_id("myDynamicElement")
显式等待
显式等待为指定某个条件,然后设置最长等待时间。如果在这个时间内,指定条件成立,则继续往下执行;如果在这个时间,指定条件还未成立,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,负责条件出发 from selenium.webdriver.support import expected_conditions as EC driver = webdriver.Chrome() driver.get("http://www.baidu.com/") try: # 页面一直循环,直到 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调用一次来查看元素是否已经加载完成,如果本来元素就是存在的,那么会立即返回。
下面是一些内置的等待条件,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 alert_is_present
当然如果不设置,默认等待时间为0。
上述就是小编为大家分享的python爬虫Selenium与PhantomJS了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注创新互联行业资讯频道。
分享文章:python爬虫Selenium与PhantomJS
网站网址:http://myzitong.com/article/pphjee.html