七、Selenium與phantomJS----------動態頁面模擬點擊、網站模擬登錄

每天一個小實例1（動態頁面模擬點擊，並爬取你想搜索的職位信息）

from selenium import webdriver
from bs4 import BeautifulSoup

# 調用環境變量指定的PhantomJS瀏覽器創建瀏覽器對象
driver = webdriver.PhantomJS()

#訪問的網址，我這里是登錄的boss直聘
driver.get('https://www.zhipin.com/')

#模擬在搜索框輸入你想搜索的內容
search_content = input('請輸入你要搜索的內容：')
driver.find_element_by_xpath('//input[@name="query"]').send_keys(search_content)

#模擬點擊搜索按鈕
driver.find_element_by_class_name('btn-search').click()

#我要爬取前10頁的招聘信息
page_num = 1

while page_num <11:
     #創建BeautifulSoup對象, 指定解析器。為了提取出登錄所用的數據
     soup = BeautifulSoup(driver.page_source, 'lxml')

    #我提取的是職位名稱，工資，公司
     position_list =soup.find_all(name='div',class_='job-title')

     salary_list=soup.select('.info-primary h3 a span')

     company_list =soup.select('.company-text a')

#將提取的信息保存到work.txt中
     for position,salary,company in zip(position_list,salary_list,company_list):
          with open('work.txt','a') as f:
               f.write(position.get_text().strip() + ' |')
               f.write(salary.get_text().strip() + ' |')
               f.write(company.get_text().strip())
               f.write('\n')

#模擬點擊下一頁
     driver.find_element_by_class_name('next').click()
     page_num +=1

#退出
driver.quit()

 

結果：

請輸入你要搜索的內容：python爬蟲

 

 

---

 每天一個小實例2（模擬網站登錄）

# boss.py

from selenium import webdriver
import time

driver = webdriver.PhantomJS()
driver.get("https://login.zhipin.com/")

# 生成訪問的后快照
driver.save_screenshot("boss1.png")
#可以打開boss.png查看驗證碼，然后手動登錄：
captcha = input('請輸入驗證碼：')

# 輸入賬號密碼
driver.find_element_by_name("account").send_keys(賬號)
driver.find_element_by_name("password").send_keys(密碼)
driver.find_element_by_name("captcha").send_keys(驗證碼)
# 模擬點擊登錄
driver.find_element_by_xpath("//button[@class='btn']").click()

# 等待2秒
time.sleep(2)

# 生成登陸后快照
driver.save_screenshot("boss2.png")


#退出
driver.quit()

 

結果：

請輸入驗證碼：fcwg

 

登錄前后截圖：

---

 基本應用：

我用的是Python3、selenium2.53.5、PhantomJS

Selenium（最新版本的Selenium已經不支持PhantomJS了，要想用請下載較低的版本）

　　selenium是一個Web的自動化測試工具，最初是為網站自動化測試而開發的，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 可以根據我們的指令，讓瀏覽器自動加載頁面，獲取需要的數據，甚至頁面截屏，或者判斷網站上某些動作是否發生。

　　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合在一起才能使用。但是我們有時候需要讓它內嵌在代碼中運行，所以我們可以用一個叫 PhantomJS 的工具代替真實的瀏覽器。

　　可以從 PyPI 網站下載 Selenium庫https://pypi.python.org/simple/selenium ，也可以用 第三方管理器 pip用命令安裝：pip install selenium

　　Selenium 官方參考文檔：http://selenium-python.readthedocs.io/index.html

 

PhantomJS

　　PhantomJS 是一個基於Webkit的“無界面”(headless)瀏覽器，它會把網站加載到內存並執行頁面上的 JavaScript，因為不會展示圖形界面，所以運行起來比完整的瀏覽器要高效。

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

　　注意：PhantomJS 只能從它的官方網站http://phantomjs.org/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 的其他庫一樣安裝，但我們可以通過Selenium調用PhantomJS來直接使用。

　　PhantomJS 官方參考文檔：http://phantomjs.org/documentation

---

　　Selenium 庫里有個叫 WebDriver 的 API。WebDriver 有點兒像可以加載網站的瀏覽器，但是它也可以像 BeautifulSoup 或者其他 Selector 對象一樣用來查找頁面元素，與頁面上的元素進行交互 (發送文本、點擊等)，以及執行其他動作來運行網絡爬蟲。

#導入webdriver
from selenium import webdriver

# 調用環境變量指定的PhantomJS瀏覽器創建瀏覽器對象
driver = webdriver.PhantomJS()

# 如果沒有在環境變量指定PhantomJS位置
# driver = webdriver.PhantomJS(executable_path="./phantomjs"))

# get方法會一直等到頁面被完全加載，然后才會繼續程序.
driver.get('https://baidu.com/')

#打印頁面標題
title = driver.title
print(title)

#支持很多提取數據的方法。我這里用的xpath,取a[@class="mnav"]中的文本
data_titles = driver.find_elements_by_xpath('//a[@class="mnav"]')
for title in data_titles:
    print(title.text)

# 生成當前頁面快照並保存
driver.save_screenshot("baidu.png")

# 獲取當前頁面Cookie
print(driver.get_cookies())

# 獲取當前url
print(driver.current_url)

# 關閉瀏覽器
driver.quit()

結果：

百度一下，你就知道
新聞
hao123
地圖
視頻
貼吧
學術
[{'domain': 'www.baidu.com', 'expires': '周二, 06 三月 2018 07:10:23 GMT', 'expiry': 1520320223, 'httponly': False, 'name': 'BD_UPN', 'path': '/', 'secure': False, 'value': '14314354'}, {'domain': '.baidu.com', 'expires': '周三, 16 二月 2050 07:10:22 GMT', 'expiry': 2528608222, 'httponly': False, 'name': 'BIDUPSID', 'path': '/', 'secure': False, 'value': '21EAAAD67FC8DC7AE83C40A04DD9C97C'}, {'domain': '.baidu.com', 'httponly': False, 'name': 'H_PS_PSSID', 'path': '/', 'secure': False, 'value': '25638_1431_21089_17001'}, {'domain': 'www.baidu.com', 'httponly': False, 'name': 'BD_HOME', 'path': '/', 'secure': False, 'value': '0'}, {'domain': '.baidu.com', 'expires': '周四, 14 三月 2086 10:24:29 GMT', 'expiry': 3666939869, 'httponly': False, 'name': 'PSTM', 'path': '/', 'secure': False, 'value': '1519456198'}, {'domain': '.baidu.com', 'expires': '周四, 14 三月 2086 10:24:29 GMT', 'expiry': 3666939869, 'httponly': False, 'name': 'BAIDUID', 'path': '/', 'secure': False, 'value': 'E38EDFD24E6C7A1EFE02929130C63429:FG=1'}]
https://www.baidu.com/

獲取的截圖：

　　從頁面中提取元素：

from selenium import webdriver

driver = webdriver.PhantomJS()
#---------------------------------------------------------------
#假設下面有一個表單輸入框：
# <input type="text" name="user-name" id="passwd-id" />

# 獲取id標簽值
element = driver.find_element_by_id("passwd-id")
#或者：
'''from selenium.webdriver.common.by import By
element = driver.find_element(by=By.ID, value="coolestWidgetEvah")
以下的類推
'''

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


#--------------------------------------------------------------
#<a href="http://www.google.com/search?q=cheese">cheese</a>
cheese = driver.find_element_by_link_text("cheese")

#--------------------------------------------------------------
#<a href="http://www.google.com/search?q=cheese">search for cheese</a>>
cheese = driver.find_element_by_partial_link_text("cheese")
#by css
cheese = driver.find_element_by_css_selector("a")

 

　　有些時候，我們需要再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，我們可以通過導入 ActionChains 類來做到：

#導入 ActionChains 類
from selenium.webdriver import ActionChains

# 鼠標移動到 登錄按鈕 位置，
login = driver.find_element_by_xpath('//input[@text='button']')
ActionChains(driver).move_to_element(login).perform()


# 在 login 位置單擊

ActionChains(driver).move_to_element(login).click(login).perform()

# 在 login 位置雙擊

ActionChains(driver).move_to_element(login).double_click(login).perform()

# 在 login位置右擊

ActionChains(driver).move_to_element(ac).context_click(ac).perform()

# 在 login位置左鍵單擊hold住
a
ActionChains(driver).move_to_element(login).click_and_hold(login).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()

　　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。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:

<select id="status" class="form-control valid" onchange="" name="status">
    <option value=""></option>
    <option value="0">未審核</option>
    <option value="1">初審通過</option>
    <option value="2">復審通過</option>
    <option value="3">審核不通過</option>
</select>

# 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'))

# 
select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text("未審核")


#index 索引從 0 開始
#value是option標簽的一個屬性值，並不是顯示在下拉框中的值
#visible_text是在option標簽文本的值，是顯示在下拉框的值

　　當你觸發了某個事件之后，頁面出現了彈窗提示，處理這個提示或者獲取提示信息方法如下：

alert = driver.switch_to_alert()

 

　　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窗口的切換。切換窗口的方法如下：

driver.switch_to.window("窗口名")

#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)

 

　　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()

　　現在的網頁越來越多采用了 Ajax 技術，這樣程序便不能確定何時某個元素完全加載出來了。如果實際頁面等待時間過長導致某個元素還沒出來，但是你的代碼直接使用了這個元素，那么就會拋出NullPointer的異常。

　　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。

　   隱式等待是等待特定的時間，顯式等待是指定某一條件直到這個條件成立時繼續執行。

　　顯式等待：

　　顯式等待指定某個條件，然后設置最長等待時間。如果在這個時間還沒有找到元素，那么便會拋出異常了。

from selenium import webdriver
from selenium.webdriver.common.by import By
# WebDriverWait 庫，負責循環等待
from selenium.webdriver.support.ui import WebDriverWait
# expected_conditions 類，負責條件出發
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.PhantomJS()
driver.get("http://www.xxxxx.com/loading")
try:
    # 頁面一直循環，直到 id="myDynamicElement" 出現即返回。
#如果不寫參數，程序默認會 0.5s 調用一次來查看元素是否已經生成，如果本來元素就是存在的，那么會立即返回。
    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "myDynamicElement"))
    )
finally:
    driver.quit()

 

 下面是一些內置的等待條件，你可以直接調用這些條件，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
alert_is_present

 隱式等待

隱式等待比較簡單，就是簡單地設置一個等待時間，單位為秒。

from selenium import webdriver

driver = webdriver.PhantomJS()
driver.implicitly_wait(10) # seconds
driver.get("http://www.xxxxx.com/loading")
myDynamicElement = driver.find_element_by_id("myDynamicElement")