七、Selenium与phantomJS----------动态页面模拟点击、网站模拟登录每天一个小实例1（动态页面模拟点击，并爬取你想搜索的职位信息）每天一个小实例2（模拟网站登录）我用的是

酱紫安

发布于 2018-04-16 15:37:52

2.2K0

发布于 2018-04-16 15:37:52

每天一个小实例1（动态页面模拟点击，并爬取你想搜索的职位信息）

 1 from selenium import webdriver
 2 from bs4 import BeautifulSoup
 3 
 4 # 调用环境变量指定的PhantomJS浏览器创建浏览器对象
 5 driver = webdriver.PhantomJS()
 6 
 7 #访问的网址，我这里是登录的boss直聘
 8 driver.get('https://www.zhipin.com/')
 9 
10 #模拟在搜索框输入你想搜索的内容
11 search_content = input('请输入你要搜索的内容：')
12 driver.find_element_by_xpath('//input[@name="query"]').send_keys(search_content)
13 
14 #模拟点击搜索按钮
15 driver.find_element_by_class_name('btn-search').click()
16 
17 #我要爬取前10页的招聘信息
18 page_num = 1
19 
20 while page_num <11:
21      #创建BeautifulSoup对象, 指定解析器。为了提取出登录所用的数据
22      soup = BeautifulSoup(driver.page_source, 'lxml')
23 
24     #我提取的是职位名称，工资，公司
25      position_list =soup.find_all(name='div',class_='job-title')
26 
27      salary_list=soup.select('.info-primary h3 a span')
28 
29      company_list =soup.select('.company-text a')
30 
31 #将提取的信息保存到work.txt中
32      for position,salary,company in zip(position_list,salary_list,company_list):
33           with open('work.txt','a') as f:
34                f.write(position.get_text().strip() + ' |')
35                f.write(salary.get_text().strip() + ' |')
36                f.write(company.get_text().strip())
37                f.write('\n')
38 
39 #模拟点击下一页
40      driver.find_element_by_class_name('next').click()
41      page_num +=1
42 
43 #退出
44 driver.quit()

结果：

请输入你要搜索的内容：python爬虫

每天一个小实例2（模拟网站登录）

 1 # boss.py
 2 
 3 from selenium import webdriver
 4 import time
 5 
 6 driver = webdriver.PhantomJS()
 7 driver.get("https://login.zhipin.com/")
 8 
 9 # 生成访问的后快照
10 driver.save_screenshot("boss1.png")
11 #可以打开boss.png查看验证码，然后手动登录：
12 captcha = input('请输入验证码：')
13 
14 # 输入账号密码
15 driver.find_element_by_name("account").send_keys(账号)
16 driver.find_element_by_name("password").send_keys(密码)
17 driver.find_element_by_name("captcha").send_keys(验证码)
18 # 模拟点击登录
19 driver.find_element_by_xpath("//button[@class='btn']").click()
20 
21 # 等待2秒
22 time.sleep(2)
23 
24 # 生成登陆后快照
25 driver.save_screenshot("boss2.png")
26 
27 
28 #退出
29 driver.quit()

结果：

请输入验证码：fcwg

登录前后截图：

基本应用：

我用的是Python3、selenium2.53.5、PhantomJS

Selenium（最新版本的Selenium已经不支持PhantomJS了，要想用请下载较低的版本）

　　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。但是我们有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 JavaScrip、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

　　Selenium 库里有个叫 WebDriver 的 API。WebDriver 有点儿像可以加载网站的浏览器，但是它也可以像 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。

 1 #导入webdriver
 2 from selenium import webdriver
 3 
 4 # 调用环境变量指定的PhantomJS浏览器创建浏览器对象
 5 driver = webdriver.PhantomJS()
 6 
 7 # 如果没有在环境变量指定PhantomJS位置
 8 # driver = webdriver.PhantomJS(executable_path="./phantomjs"))
 9 
10 # get方法会一直等到页面被完全加载，然后才会继续程序.
11 driver.get('https://baidu.com/')
12 
13 #打印页面标题
14 title = driver.title
15 print(title)
16 
17 #支持很多提取数据的方法。我这里用的xpath,取a[@class="mnav"]中的文本
18 data_titles = driver.find_elements_by_xpath('//a[@class="mnav"]')
19 for title in data_titles:
20     print(title.text)
21 
22 # 生成当前页面快照并保存
23 driver.save_screenshot("baidu.png")
24 
25 # 获取当前页面Cookie
26 print(driver.get_cookies())
27 
28 # 获取当前url
29 print(driver.current_url)
30 
31 # 关闭浏览器
32 driver.quit()

结果：

1 百度一下，你就知道
2 新闻
3 hao123
4 地图
5 视频
6 贴吧
7 学术
8 [{'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'}]
9 https://www.baidu.com/

获取的截图：

从页面中提取元素：

 1 from selenium import webdriver
 2 
 3 driver = webdriver.PhantomJS()
 4 #---------------------------------------------------------------
 5 #假设下面有一个表单输入框：
 6 # <input type="text" name="user-name" id="passwd-id" />
 7 
 8 # 获取id标签值
 9 element = driver.find_element_by_id("passwd-id")
10 #或者：
11 '''from selenium.webdriver.common.by import By
12 element = driver.find_element(by=By.ID, value="coolestWidgetEvah")
13 以下的类推
14 '''
15 
16 # 获取name标签值
17 element = driver.find_element_by_name("user-name")
18 # 获取标签名值
19 element = driver.find_elements_by_tag_name("input")
20 # 也可以通过XPath来匹配
21 element = driver.find_element_by_xpath("//input[@id='passwd-id']")
22 
23 
24 #--------------------------------------------------------------
25 #<a href="http://www.google.com/search?q=cheese">cheese</a>
26 cheese = driver.find_element_by_link_text("cheese")
27 
28 #--------------------------------------------------------------
29 #<a href="http://www.google.com/search?q=cheese">search for cheese</a>>
30 cheese = driver.find_element_by_partial_link_text("cheese")
31 #by css
32 cheese = driver.find_element_by_css_selector("a")

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、拖拽甚至按住不动等，我们可以通过导入 ActionChains 类来做到：

 1 #导入 ActionChains 类
 2 from selenium.webdriver import ActionChains
 3 
 4 # 鼠标移动到 登录按钮 位置，
 5 login = driver.find_element_by_xpath('//input[@text='button']')
 6 ActionChains(driver).move_to_element(login).perform()
 7 
 8 
 9 # 在 login 位置单击
10 
11 ActionChains(driver).move_to_element(login).click(login).perform()
12 
13 # 在 login 位置双击
14 
15 ActionChains(driver).move_to_element(login).double_click(login).perform()
16 
17 # 在 login位置右击
18 
19 ActionChains(driver).move_to_element(ac).context_click(ac).perform()
20 
21 # 在 login位置左键单击hold住
22 a
23 ActionChains(driver).move_to_element(login).click_and_hold(login).perform()
24 
25 # 将 ac1 拖拽到 ac2 位置
26 ac1 = driver.find_element_by_xpath('elementD')
27 ac2 = driver.find_element_by_xpath('elementE')
28 ActionChains(driver).drag_and_drop(ac1, ac2).perform()

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。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:

1 <select id="status" class="form-control valid" onchange="" name="status">
2     <option value=""></option>
3     <option value="0">未审核</option>
4     <option value="1">初审通过</option>
5     <option value="2">复审通过</option>
6     <option value="3">审核不通过</option>
7 </select>

 1 # 导入 Select 类
 2 from selenium.webdriver.support.ui import Select
 3 
 4 # 找到 name 的选项卡
 5 select = Select(driver.find_element_by_name('status'))
 6 
 7 # 
 8 select.select_by_index(1)
 9 select.select_by_value("0")
10 select.select_by_visible_text("未审核")
11 
12 
13 #index 索引从 0 开始
14 #value是option标签的一个属性值，并不是显示在下拉框中的值
15 #visible_text是在option标签文本的值，是显示在下拉框的值

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()

　　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("窗口名")

#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)

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()

　　现在的网页越来越多采用了 Ajax 技术，这样程序便不能确定何时某个元素完全加载出来了。如果实际页面等待时间过长导致某个元素还没出来，但是你的代码直接使用了这个元素，那么就会抛出NullPointer的异常。

　　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，显式等待是指定某一条件直到这个条件成立时继续执行。

　　显式等待：

　　显式等待指定某个条件，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会抛出异常了。

 1 from selenium import webdriver
 2 from selenium.webdriver.common.by import By
 3 # WebDriverWait 库，负责循环等待
 4 from selenium.webdriver.support.ui import WebDriverWait
 5 # expected_conditions 类，负责条件出发
 6 from selenium.webdriver.support import expected_conditions as EC
 7 
 8 driver = webdriver.PhantomJS()
 9 driver.get("http://www.xxxxx.com/loading")
10 try:
11     # 页面一直循环，直到 id="myDynamicElement" 出现即返回。
12 #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生成，如果本来元素就是存在的，那么会立即返回。
13     element = WebDriverWait(driver, 10).until(
14         EC.presence_of_element_located((By.ID, "myDynamicElement"))
15     )
16 finally:
17     driver.quit()

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：

 1 title_is
 2 title_contains
 3 presence_of_element_located
 4 visibility_of_element_located
 5 visibility_of
 6 presence_of_all_elements_located
 7 text_to_be_present_in_element
 8 text_to_be_present_in_element_value
 9 frame_to_be_available_and_switch_to_it
10 invisibility_of_element_located
11 element_to_be_clickable – it is Displayed and Enabled.
12 staleness_of
13 element_to_be_selected
14 element_located_to_be_selected
15 element_selection_state_to_be
16 element_located_selection_state_to_be
17 alert_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。

1 from selenium import webdriver
2 
3 driver = webdriver.PhantomJS()
4 driver.implicitly_wait(10) # seconds
5 driver.get("http://www.xxxxx.com/loading")
6 myDynamicElement = driver.find_element_by_id("myDynamicElement")

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2018-02-24 ，如有侵权请联系 cloudcommunity@tencent.com 删除

其他

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

其他

登录后参与评论

0 条评论

热度