Python爬蟲(二十一)

bylele 2019-01-23

展開全文

本章將介紹使用Selenium和PhantomJS兩種工具用來加載動態(tài)數(shù)據(jù)，更多內(nèi)容請參考：Python學習指南

Selenium

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，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化操作，不同是Selenium可以直接運行在瀏覽器上，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，獲取需要的頁面，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)嵌在代碼中運行，所有我們而已用一個叫PhantomJS的工具代替真實的瀏覽器。

可以從PyPI網(wǎng)站下載Selenium庫http://pypi./simple/sulenium,也可以用第三方管理器pip命令安裝:pip install selenium
Selenium官方參考文檔：http://selenium-python./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，因為不會展示圖形界面，所以運行起來比完整的瀏覽器更高效。

如果我們把Selenium和PhantomJS結(jié)合在一起，就可以運行一個非常強大的網(wǎng)絡(luò)爬蟲了，這個爬蟲可以處理JavaScript、Cookie、headers，以及任何我們真實用戶需要做的事情。

注意：PhantomJS只能從它的網(wǎng)站(http:///download.html)下載。因為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的其它庫一樣安裝，但我們可以通過Selenium調(diào)用PhantomJS來直接使用
PhantomsJS官方才考文檔：http:///documention

快速入門

Selenium庫里有一個叫WebDriver的API。WebDriver可以控制瀏覽器的操作，它可以像BeautifulSoup或者其它Selector對象一樣用來查找頁面元素，與頁面上的元素進行交互(發(fā)送文本、點擊等)，以及執(zhí)行其他動作來運行網(wǎng)絡(luò)爬蟲。

#-*-  coding:utf-8 -*-
#主要用來測試selenium使用phantomJs

#導入webdriver
from selenium import webdriver
import time

#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()
driver.set_window_size(1366, 768)
#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wraper的id標簽的文本內(nèi)容
data = driver.find_element_by_id('wrapper').text

#打印數(shù)據(jù)內(nèi)容
print(data)

print driver.title

#生成頁面快照并保存
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)
time.sleep(5)

#清空輸入框內(nèi)容
driver.find_element_by_id('kw').clear()

#生成新的頁面快照
driver.save_screenshot('itcast.png')

#獲取當前url
print(driver.current_url)

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標簽值
element = driver.find_element_by_id("passwd-id")
#獲取name值
element = driver.find_element_by_name("user-name")
#獲取標簽名
element = driver.find_element_by_tag("input")
#也可以通過XPath來匹配
element = driver.find_element_by_xpath(//input[@id="passwd-id"])

定位UI元素(WebElements)

關(guān)于元素的選取，有如下的API單個元素選取

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

<div id="coolesWidgeEvah">...</div>

實現(xiàn)

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

<div class="cheese"><span>Cheddar</span></div><div class="cheese"><span>Gouda</span></div>

實現(xiàn)

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

<iframe src="..."></iframe>

實現(xiàn)

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

<imput name="cheese" type="text" />

實現(xiàn)

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

<a >cheese</a>

實現(xiàn)

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

6.By Partial Link Text

<a >search for cheese</a>

實現(xiàn)

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

<div id="food"><span class="dairy">milk</span><span class="dairy">cheese</span></div>

實現(xiàn)

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

<input type="text" name="example" / >
<input type="text" name="other" / >

實現(xiàn)

inputs = driver.find_elements_by_xpath("input")
-------------------or------------------
from selenium.webdriver.common.by import By
inputs = driver.find_elements(By.XPATH, "http://input")

鼠標動作鏈

有些時候，我們需要在頁面上模擬一些鼠標操作，比如雙擊、右擊、拖拽甚至按住不動等，我們可通過導入ActionChains類來做到：

示例：


#導入ActionChains類
from selenium.webdrive import ActionChains

#鼠標移動到ac位置
ac = driver.find_elenemt_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輸入文字，但是有時候我們會碰到<select></select>標簽的下拉框。直接點擊下拉框中的選項不一定可行。

<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>

下拉框

Selenium專門提供了Select類來處理下拉框。其實WebDriver中提供了一個叫Select的方法，可以幫助我們完成這些事情：


#導入Select類
from selenium.webdriver.support.ui import Select

#找到name的選項卡
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標簽的一個屬性值，并不是顯示在下拉框中的值

visible_text實在option標簽文本的值，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)

頁面的前進和后退

操作頁面的前進和后退功能：

driver.forward()  #前進
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)頁原來越多采用了Ajax技術(shù)，這樣程序變不能確定何時某個元素完全加載出來了。如果實際頁面等待事件過長導出某個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。
隱式等待就是等待特定的時間，顯示等待是指定某一條件知道這個條件成立時繼續(xù)執(zhí)行。

顯式等待

顯示等待指定了某個條件，然后設(shè)置最長等待事件。如果在這個時間還找到?jīng)]有元素，那么便會拋出異常。

from selenium import webdriver
from selenium.webdriver.common.by import By

#WebDriverWait庫，負責循環(huán)等待
from selenium.webdriver.support.ui import WebDriverWait
#expected_conditions類，負責條件觸發(fā)
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()

driver.get("http://www./loading")

try:
    #頁面一直循環(huán)，知道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)，程序默認會0.5s調(diào)用一次來來查看安蘇是否已經(jīng)生成，如果本來元素時存在的，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
    aert_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 webdriver

driver = webdriver.Chrome()
driver.implicitly_wait(10)  #seconds

driver.get("http://www.x/loading")

myDynamicElement = driver.find_element_by_id("myDynamicElement")

如果不設(shè)置，默認等待時間為0。