Python爬虫_Selenium与PhantomJS入门!你看懂了嘛_

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，所以我们使用一个加PhantomJS的工具代替真实的浏览器。

可以从PyPI网站下载Selenium库 pypi.python.org/simple/sule… ,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： selenium-python.readthedocs.io/index.html

PhantomJS

PhantomJS 是一个基于Webkit的“无界面”（headless）L浏览器，他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怕丑，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：

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，它可以想BeautifulSoup或者其他的Selector对象一样用来查找页面的元素，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 webdriverimport time# 想要调用键盘按键操作需要导入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(execute_path = "./phantomjs.exe")# get方法会一直等到页面加载，然后才会继续执行程序，通常测试会在这里选择time.sleep(2)driver.get("")# 获取页面名为wrapper的id标签的文本内容data = driver.find_element_by_id(wrapper).textprint(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(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)# 获取当前页面的Cookieprint(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)#生成新的页面快照driver.save_screenshot(itcast.png)#获取当前urlprint(driver.current_url)driver.quit()复制代码

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：

<input type="text" name="user-name" id="passwd-id" />复制代码#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"])复制代码

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_idfind_element_by_namefind_element_by_xpathfind_element_by_link_textfind_element_by_partial_link_textfind_eelement_by_tag_namefind_element_by_class_namefind_element_by_css_selector复制代码

1.By ID

<div id="coolesWidgeEvah">...</div>复制代码

实现

element = driver.find_element_by_id("coolesWidgetEvah")复制代码

---------or-------

from selenium.webdriver.common.by import Byelement = driver.find_element(by=By.ID, value="coolesWidgetEvah")复制代码

2.By Class Name

<div class="cheese"><span>Cheddar</span></div><div class="cheese"><span>Gouda</span></div>复制代码

实现

cheese = driver.find_element_by_class_name(cheese)复制代码

----------------or--------------------

from selenium.webdriver.common.by import Bycheese = driver.find_elements(By.CLASS_NAME, "cheese")复制代码

3.By Tag Name

<iframe src="..."></iframe>复制代码

实现

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

4.By Name

<imput name="cheese" type="text" />复制代码

实现

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

5.By Link Text

<a href="?q=cheese">cheese</a>复制代码

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")复制代码

6.By Partial Link Text

<a href="?q=cheese">search for cheese</a>复制代码

实现

cheese = driver.find_element_by_partial_link_text("cheese")-----------------or-----------------from selenium.webdriver.common.by import Bycheese = driver.find_element(By.PARTIAL_LINK_TEXT, "cheese")复制代码

7.By CSS

<div id="food"><span class="dairy">milk</span><span class="dairy">cheese</span></div>复制代码cheese = driver.find_element_by_css_selector("#food span.dairy.aged")----------------or-------------------------------from selenium.webdriver.common.by import Bycheese = driver.find_element(By.CSS_SELECTOR, "#food span.dairy.aged")复制代码

8.By XPath

<input type="text" name="example" / ><input type="text" name="other" / >复制代码

实现

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

鼠标动作链

有些时候，我们需要再页面上模拟一些鼠标操作，比如双击、右击、拖拽甚至按住不同等，我们可以通过导入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()复制代码

填充表单

我们已经知道怎样想文本框中输入文字，但是有时候我们会碰到 标签的下拉框。直接点击下拉框中的选项不一定可以行。

<select id="status" class="form-control valid" onchange="" 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>复制代码

Selenium专门提供了Select类处理下拉框。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_id(status))#sselect.select_by_index(1)select.select_by_value("0")select.select_by_visible_text(u未审核)复制代码

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

全部取消怎么办？

select.deselect_all()复制代码

弹窗处理

当你触发了某个时间之后，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()复制代码

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)复制代码

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)复制代码

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()#后退复制代码

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]))复制代码

删除Cookies,用法如下：

#By namedriver.delete_cookie(CookieName)#alldriver.delete_all_cookies()复制代码

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 ECdriver = webdriver.Chrome()driver.get("")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()复制代码

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_istitle_containspresence_of_element_locatedvisibility_of_element_locatedvisibility_ofpresence_of_all_elements_locatedtext_to_be_present_in_elementtext_to_be_present_in_element_valueframe_to_be_available_and_switch_to_itinvisibility_of_element_locatedelement_to_be_clickable - it is Displayed and Enabledstaleness_ofelement_to_be_selectedelement_located_to_be_selectedelement_selection_state_to_beelement_located_selection_state_to_beaert_is_present复制代码

隐式等待

源码技术交流基地： 

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)#secondsdriver.get("")myDynamicElement = driver.find_element_by_id("myDynamicElement")复制代码

如果不设置，默认等待时间为0。