爬虫最终杀手锏 — PhantomJS 详解（附案例）

大家好，又见面了，我是你们的朋友全栈君。

一 . 认识Phantomjs1.Phantomjs：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。

文档地址：http://selenium-python.readthedocs.io/index.html

代码语言：javascript代码运行次数：0运行复制# 导入 webdriver

from selenium import webdriver

# 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()

# 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被完全加载，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 wrapper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

# 打印页面标题 "百度一下，你就知道

"print driver.title

# 生成当前页面快照并保存

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("atguigu")

# 模拟Enter回车键

driver.find_element_by_id("su").send_keys(Keys.RETURN)

# 清除输入框内容

driver.find_element_by_id("kw").clear()

# 生成新的页面快照

driver.save_screenshot("atguigu.png")

# 获取当前url

print driver.current_url

# 关闭当前页面，如果只有一个页面，会关闭浏览器# driver.close()

# 关闭浏览器

driver.quit()2.页面操作大体内容

代码语言：javascript代码运行次数：0运行复制# 获取id标签值

element = driver.find_element_by_id("passwd-id")

# 获取name标签值

element = driver.find_element_by_name("user-name")

# 获取标签名值

element = driver.find_elements_by_tag_name("input")

# 也可以通过XPath来匹配

element = driver.find_element_by_xpath("//input[@id='passwd-id']")3. 关于元素的选取，有如下的API 单个元素选取

代码语言：javascript代码运行次数：0运行复制# 定位UI元素 (WebElements)

find_element_by_id

find_elements_by_name

find_elements_by_xpath

find_elements_by_link_text

find_elements_by_partial_link_text

find_elements_by_tag_name

find_elements_by_class_name

find_elements_by_css_selector虎课网https://www.wode007.com/sites/73267.html 设计坞https://www.wode007.com/sites/73738.html

4. 鼠标动作链

代码语言：javascript代码运行次数：0运行复制# 导入 webdriver

#导入 ActionChains 类

from selenium.webdriver import ActionChains

# 鼠标移动到 ac 位置

ac = driver.find_element_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()5 . 下拉菜单的操作(导入select类)

代码语言：javascript代码运行次数：0运行复制# 导入 Select 类

from selenium import webdriver

from selenium.webdriver.support.ui import Select

driver = webdriver.Chrome()

driver.get("http://127.0.0.1:8080")

# 找到 name 的选项卡

select = Select(driver.find_element_by_name('status'))

#根据位置下标

# select.select_by_index(1)

#根据值找到对应的选择

# select.select_by_value("3")

#根据显示值找到对应的选择

select.select_by_visible_text("审核不通过")6. 页面切换

代码语言：javascript代码运行次数：0运行复制driver.switch_to.window("window name")7. 操作页面的前进和后退

代码语言：javascript代码运行次数：0运行复制driver.forward() #前进

driver.back() # 后退8. 页面等待

显式等待是等待特定的时间，隐式等待是指定某一条件直到这个条件成立时继续执行。

8.1 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

代码语言：javascript代码运行次数：0运行复制from selenium import webdriver

driver = webdriver.Chrome()

driver.implicitly_wait(10) # seconds

driver.get("http://www.xxxxx.com/loading")8.2 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

代码语言：javascript代码运行次数：0运行复制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，负责条件出发

from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()

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

try:

# 页面一直循环，直到 id="myElement" 出现

element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.ID, "myElement")))

finally:

driver.quit()二、网站模拟登录豆瓣网代码语言：javascript代码运行次数：0运行复制from selenium import webdriver

import time

# 创建一个浏览器客户端,并且指定配置

# 如果是Phantomjs做浏览器客户端还要设置路径

# driver = webdriver.Phantomjs(executable_path="/usr/local/bin/phantomjs")

driver = webdriver.Chrome()

driver.get("https://www.douban.com/")

time.sleep(1)

driver.save_screenshot("豆瓣首页.png")

#输入账号

driver.find_element_by_id("form_email").send_keys("username")

#输入密码

driver.find_element_by_name("form_password").send_keys("password")

#保存验证码的图片

driver.save_screenshot("验证码.png")

#输入验证码

check_code = input("请输入验证码:")

print(r"验证码是多少:%s" % check_code)

driver.find_element_by_id("captcha_field").send_keys(check_code)

#点击登录按钮

driver.find_element_by_xpath("//input[@class='bn-submit']").click()

#休眠一下等待登录成功

time.sleep(3)

#保存登录成功的快照

driver.save_screenshot("登录成功.png")代码语言：javascript代码运行次数：0运行复制#保存成功登录好的html到本地 with open("douban.html","w",encoding="utf-8") as f: f.write(driver.page_source) #退出成功 driver.quit()三、动态页面模拟点击（unittest –python测试模块）代码语言：javascript代码运行次数：0运行复制import time

#导入python测试模块

import unittest

#类名任意,但必须继承unittest.TestCase

class DouyuTest(unittest.TestCase):

#固定写法,通常做初始化

def setUp(self):

print("setUp()....")

self.num1 = 1

self.num2 = 1

def testTest(self):

for i in range(1,3):

print("testTest()==",i)

self.num1 += 1

time.sleep(1)

def testTest2(self):

for i in range(1,3):

print("testTest2()==",i)

self.num2 += 1

time.sleep(1)

#固定写法,但每个自定义方法接收后都会调用一次该方法

def tearDown(self):

print("tearDown()...")

print("num1==",self.num1)

print("num2==", self.num2)

if __name__ == "__main__":

#调用的时候只需要写上main,固定的调用方式

unittest.main()四、执行JavaScript代码from selenium import webdriver代码语言：javascript代码运行次数：0运行复制import time

driver = webdriver.PhantomJS()

driver.get("https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90&action=")

# 向下滚动10000像素

js = "document.body.scrollTop=10000"

time.sleep(5)

#查看页面快照

driver.save_screenshot("douban.png")

# 执行JS语句

driver.execute_script(js)

time.sleep(5)

#查看页面快照

driver.save_screenshot("newdouban.png")

#退出浏览器

driver.quit()五、模拟最新无界面浏览器（绝招在这，缺陷性能太慢）代码语言：javascript代码运行次数：0运行复制from selenium import webdriver

from selenium.webdriver.support.ui import WebDriverWait

from selenium.webdriver.support import expected_conditions as EC

from selenium.webdriver.common.by import By

from bs4 import BeautifulSoup

from selenium.webdriver.chrome.options import Options

#不加载图片,不缓存在硬盘(内存)

SERVICE_ARGS = ['--load-images=false', '--disk-cache=false']

chrome_options = Options()

chrome_options.add_argument("--headless")

# 创建浏览器, 添加参数设置为无界面浏览器

driver = webdriver.Chrome(service_args=SERVICE_ARGS, chrome_options=chrome_options)

#设置等待时间

waite = WebDriverWait(driver, 5)

driver.get('https://taobao.com/')

def get_page_num():

# 等待搜索框出现

input = waite.until(EC.presence_of_element_located((By.css_SELECTOR, '#q')))

# 输入美食

input.send_keys('美食')

# 点击搜索

driver.find_element_by_css_selector("#J_TSearchForm > div > button").click()

# 共计多少页

text = driver.find_element_by_css_selector('#mainsrp-pager > div > div > div > div[class="total"]').text

data = text[2:6]

get_product_info()

return data

#得到某一个宝贝,商品的大体信息

def get_product_info():

waite.until(EC.presence_of_element_located((By.css_SELECTOR, '#mainsrp-itemlist .items .item')))

# 通过BeautifulSoup取数据

soup = BeautifulSoup(driver.page_source, 'lxml')

#取所有的列表数据

item_lists = soup.select("#mainsrp-itemlist .items .item")

for item_list in item_lists:

item_dict = {}

image = item_list.select('.J_ItemPic.img')[0].attrs["data-src"]

if not image:

image = item_list.select('.J_ItemPic.img')[0].attrs["data-ks-lazyload"]

# 销售地

location = item_list.select(".location")[0].text

# 价格

price = item_list.select(".price")[0].text

# 商店名称

shopname = item_list.select(".shopname")[0].text.strip()

# 宝贝名称

title = item_list.select('a[class="J_ClickStat"]')[0].text.strip()

# 链接

data_link = item_list.select('a[class="J_ClickStat"]')[0].attrs["href"]

item_dict["image"] = "https:" + image

item_dict["location"] = location

item_dict["shopname"] = shopname

item_dict["title"] = title

item_dict["data_link"] = "https:" + data_link

item_dict["price"] = price

print(item_dict)

# 切换下一页

def next_page(page):

print("当前正在加载第%s页的数据--------" % page)

try:

input = waite.until(EC.presence_of_element_located((By.css_SELECTOR, '#mainsrp-pager > div > div > div > div > input')))

input.clear() # 清空输入框

# 页面框添加页码

input.send_keys(page)

#找到确定按钮,点击确定

driver.find_element_by_css_selector("#mainsrp-pager > div > div > div > div > span.btn.J_Submit").click()

waite.until(EC.text_to_be_present_in_element(

(By.css_SELECTOR, "#mainsrp-pager > div > div > div > ul.items > li.item.active"), str(page)))

except Exception as e:

print(e)

next_page(page)

# 当前切换后的页面的数据

get_product_info()

def main():

data = get_page_num()

print('总页数是=', data)

for page in range(2, int(data) + 1):

next_page(page)

# 退出浏览器

driver.quit()

if __name__ == '__main__':

main()发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/154559.html原文链接：https://javaforall.cn