Python爬虫(二十一)_Selenium与PhantomJS

2023-09-21 07:00:00

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：Python学习指南

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webdriver
from 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：

<input type="text" name="user-name" id="passwd-id" />

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

  1. find_element_by_id
  2. find_element_by_name
  3. find_element_by_xpath
  4. find_element_by_link_text
  5. find_element_by_partial_link_text
  6. find_eelement_by_tag_name
  7. find_element_by_class_name
  8. find_element_by_css_selector
1. By ID
<div id="coolesWidgeEvah">...</div>
  • 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
<div class="cheese"><span>Cheddar</span></div><div class="cheese"><span>Gouda</span></div>
  • 实现 ```python 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>
  • 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
<imput name="cheese" type="text" />
  • 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
<a href="http://www.google.com/search?q=cheese">cheese</a>
  • 实现 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 href="http://www.google.com/search?q=cheese">search for cheese</a>
  • 实现 ```python 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>
  • 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
<input type="text" name="example" / >
<input type="text" name="other" / >
  • 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。

<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>

下拉框

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 name
driver.delete_cookie('CookieName')

#all
driver.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 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 webdriver

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

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

myDynamicElement = driver.find_element_by_id("myDynamicElement")

如果不设置，默认等待时间为0。

最后

分享一份Python的学习资料，但由于篇幅有限，完整文档可以扫码免费领取！！！

1）Python所有方向的学习路线（新版）

总结的Python爬虫和数据分析等各个方向应该学习的技术栈。

在这里插入图片描述

比如说爬虫这一块，很多人以为学了xpath和PyQuery等几个解析库之后就精通的python爬虫，其实路还有很长，比如说移动端爬虫和JS逆向等等。

img

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然达不到大佬的程度，但是精通python是没有问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

在这里插入图片描述

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

在这里插入图片描述

。

更多推荐

【SLAM】前端-视觉里程计之对极几何

文章目录【SLAM】前端-视觉里程计之对极几何1.对极几何2.本质矩阵及其求解3.单应矩阵及其求解3.三角测量4.思考4.1本质矩阵的自由度为多少4.2直接法求本质矩阵的过程涉及求解齐次线性方程，而对于齐次线性方程的解，要么只有零解，要么有无穷多个解，这里取哪一个解呢5.附录5.1相机成像模型【SLAM】前端-视觉里程

接口测试——接口协议抓包分析与mock_L1

目录：接口测试价值与体系常见的接口协议接口测试用例设计postman基础使用postman实战练习1.接口测试价值与体系接口测试概念接口：不同的系统之间相互连接的部分，是一个传递数据的通道接口测试：检查数据的交换、传递和控制管理过程接口测试的价值传统的测试方法成本急剧上升测试效率下降分层测试体系越往上，发现Bug的时间

CSS 布局 (三) 浮动、定位、多列布局

6、浮动最初用于在文本块内浮动图像，float属性成为在网页上创建多列布局最常用的工具之一。随着flexbox和grid的出现，它现在又回到了最初的目的，正如本文所解释的那样。6.1浮动的背景引入float属性是为了允许web开发人员实现包含图像在文本列内浮动的布局，文本在其左侧或右侧环绕。就像你在报纸版面上看到的那样

函数扩展之——内存函数

前言：小伙伴们又见面啦。本篇文章，我们将讲解C语言中比较重要且常用的内存函数，并尝试模拟实现它们的功能。让我们一起来学习叭。目录一.什么是内存函数二.内存函数有哪些1.memcpy（1）库函数memcpy（2）模拟实现memcpy2.memmove（1）库函数memmove（2）模拟实现memmove3.memset4

【大数据】HDFS 的常用命令

HDFS的常用命令1.操作命令1.1创建文件夹1.2列出指定的文件和目录1.3新建文件1.4上传文件1.5将本地文件移动到HDFS1.6下载文件1.7查看文件1.8追写文件1.9删除目录或者文件1.10显示占用的磁盘空间大小1.11HDFS中的文件复制1.12HDFS中的文件移动2.管理命令2.1报告文件系统的基本信息

ElasticSearch（二）

1.DSL查询文档elasticsearch的查询依然是基于JSON风格的DSL来实现的。1.1.DSL查询分类Elasticsearch提供了基于JSON的DSL（DomainSpecificLanguage）来定义查询。常见的查询类型包括：查询所有：查询出所有数据，一般测试用。例如：match_all全文检索（fu

高教杯数学建模A题程序设计要点与思路

2023年是我最后一次参加高教杯大学生数学建模竞赛以后不会再参加了（大四参加意义不太，研究生有研究生的数学建模大赛）很遗憾由于各种原因我们没有能够完成赛题2022年美赛2022年MathorCup2022年国赛2022亚太杯2023年美赛2023年国赛我和我的朋友一共参加了6次比赛6次比赛我交到了很好的朋友然鹅成绩比较

Java 8 新特性解读及应用实践

Java8新特性解读及应用实践一、简介二、Lambda表达式三、流式编程四、日期/时间API1.概述2.LocalDate、LocalTime、LocalDateTime等类的使用3.格式化与解析五、重复注解和类型注解1.概念与作用2.重复注解实例3.类型注解实例六、小结回顾一、简介Java8带来了众多重大改进和新特性

【网络协议】Http-上

Http请求结构：结构图1：实验解析请求报文：1.在Edge浏览器上输入ip地址+端口号+文件资源，也就是下图中的120.XX.139.29:8888/A/B/c.html2.我的程序接收到了一个没有有效载荷的http请求(呼应上面的结构图1)，如下GET/1/2/3.htmlHTTP/1.1//请求行（请求方法+请求

关于路由懒加载

路由懒加载是一种优化技术，它是可以延迟加载应用程序的某些模块或者组件，而不是在初始加载时一次性加载所有内容，这样可以减少初始加载的文件体积，提高应用程序的加载速度1.懒加载是在什么时候加载路由懒加载是在用户访问相应的路由时才进行加载。它延迟加载路由组件，使得在初始加载时只加载必要的代码，而将其他路由的代码推迟到需要时再

实验篇——根据群体经纬度提取环境数据（先导）

实验篇——根据群体经纬度提取环境数据（先导）文章目录前言一、获取数据文件1.1.经纬度文件1.2.环境数据的tif文件二、R语言代码实现三、环境文件介绍3.1.bio3.2.prec3.3.elev3.4.tmin3.5.tmax3.6.vapr13.7.tavg3.8.srad3.9.wind四、后续总结前言首先得到

热文推荐
  1. MongoDB【部署 02】mongodb使用配置文件启动、添加为系统服务及自启动（一个报错：[13436][NotMasterOrSecondary]）

    MongoDB使用配置文件启动、添加为系统服务及设置自启动1.是什么2.下载安装启动配置2.1下载2.2安装2.3配置2.4使用配置文件启动3.设置系统服务及自启动3.1设置为系统服务3.2自启动1.是什么【以下内容来自ChatGPT3.5】MongoDB是一个流行的开源文档型数据库管理系统，广泛用于构建高度可扩展、灵

  2. JVM 程序计数器

    Java虚拟机（JVM,JavaVirtualMachine）是一个能够执行Java字节码的虚拟机。在JVM的架构中，程序计数器（ProgramCounter,PC）是一个关键的组成部分。程序计数器用于存储当前正在执行的Java字节码指令的地址。每个线程在JVM中都有自己的程序计数器。每条线程都需要有一个独立的程序计数

  3. 计算机视觉与深度学习-图像分割-视觉识别任务02-目标检测-【北邮鲁鹏】

    目录标题参考目标检测定义深度学习对目标检测的作用单目标检测多任务框架多任务损失预训练模型姿态估计多目标检测问题滑动窗口（SlidingWindow）滑动窗口缺点AdaBoost（AdaptiveBoosting）参考区域建议selectivesearch思想慢速R-CNN慢速R-CNN思路边界框回归（Bboxreg）慢

  4. leetcode分类刷题：队列（Queue）（二、优先队列解决TopK简单问题）

    1、优先队列好像一般都叫堆，以大顶堆为例，顶部第一个元素最大，底部最后一个元素最小，自顶向底是递减的（更准确的说是非递增的），对外只能访问顶部第一个元素（对应索引为0）和底部最后一个元素（对应索引为-1）；在Python中，heapq默认维护小顶堆，构造大顶堆时需要在入堆时添加相反数2、本次博客总结下用优先队列解决To

  5. JavaScript系列从入门到精通系列第三篇：JavaScript基本语法(一)

    文章目录一：JavaScript基本语法1：JS注释(一)：JS多行注释(二)：JS单行注释(三)：JS中大小写(四)：分号问题(五)：空格和换行2：字面量和变量(一)：字面量(二)：变量(三)：如何声明变量(四)：如何给变量赋值(五)：标识符二：JS中6种数据类型(一)1：JS字符串(一)：JS字符串基本使用(二)：

  6. Ubuntu 安装 CUDA 与 OPENCL

    前言：最近需要做一些GPU并行计算，因而入坑CUDA和OPENCL，两者都有用到一些，刚好有点时间，同时记录一些学习过程，排掉一些坑，这篇是环境安装篇，基本跟着走就没什么问题，环境：ubuntu18.04/ubuntu20.04显卡：Nvidia一、CUDA安装1.查看电脑是否识别GPUlspci|grep-invid

  7. Liunx（Ubuntu20）常用指令

    -rwxr-xr-x,在Linux系统中权限是区分用户的，即用户、组用户、其他用户，第一位表示文件的类型，-代表文件，d代表目录，其他每个用户占三个字符用户、组用户、其他用户都是rwx形式，其中r表示读、w表示写、x表示可执行，-表示没有权限，拿用户组举例，r只能出现在第一个位置、w只能出现在第二个位置、x只能出现在第

  8. 在 CentOS 上安装 Docker Engine

    文章目录在CentOS上安装DockerEngine先决条件操作系统要求卸载旧版本安装方法使用rpm存储库安装设置存储库安装DockerEngine安装最新版本安装指定版本以非root用户身份管理Docker配置Docker以使用systemd启动参考官方文档：https://docs.docker.com/engin

  9. 阿里云服务器价格表，轻量和服务器最新活动价格表汇总

    租用阿里云服务器怎么收费？阿里云服务器配置不同一年价格也不同，阿里云2核2G3M带宽108元一年、2核4G4M带宽297.98元12个月，云服务器u1公网带宽可选1M到5M，系统盘为ESSD云盘40GB起，CPU内存配置可选2核2G、2核4G、4核8G、8核16G等配置，还有ECS计算型c7、通用型g7和内存型r7多C