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）

 from selenium import webdriver
 from bs4 import BeautifulSoup

 # 调用环境变量指定的PhantomJS浏览器创建浏览器对象
 driver = webdriver.PhantomJS()

 #访问的网址，我这里是登录的boss直聘
 driver.get('https://www.zhipin.com/')

 #模拟在搜索框输入你想搜索的内容
 search_content = input('请输入你要搜索的内容：')
 driver.find_element_by_xpath('//input[@name="query"]').send_keys(search_content)

 #模拟点击搜索按钮
 driver.find_element_by_class_name('btn-search').click()

 #我要爬取前10页的招聘信息
 page_num = 1

 while page_num <11:
      #创建BeautifulSoup对象, 指定解析器。为了提取出登录所用的数据
      soup = BeautifulSoup(driver.page_source, 'lxml')

     #我提取的是职位名称，工资，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')

 #将提取的信息保存到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')

 #模拟点击下一页
      driver.find_element_by_class_name('next').click()
      page_num +=1

 #退出
 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）

 # boss.py

 from selenium import webdriver
 import time

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

 # 生成访问的后快照
 driver.save_screenshot("boss1.png")
 #可以打开boss.png查看验证码，然后手动登录：
 captcha = input('请输入验证码：')

 # 输入账号密码
 driver.find_element_by_name("account").send_keys(账号)
 driver.find_element_by_name("password").send_keys(密码)
 driver.find_element_by_name("captcha").send_keys(验证码)
 # 模拟点击登录
 driver.find_element_by_xpath("//button[@class='btn']").click()

 # 等待2秒
 time.sleep(2)

 # 生成登陆后快照
 driver.save_screenshot("boss2.png")

 #退出
 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。

 #导入webdriver
 from selenium import webdriver

 # 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.
 driver.get('https://baidu.com/')

 #打印页面标题
 title = driver.title
 print(title)

 #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
 data_titles = driver.find_elements_by_xpath('//a[@class="mnav"]')
 for title in data_titles:
     print(title.text)

 # 生成当前页面快照并保存
 driver.save_screenshot("baidu.png")

 # 获取当前页面Cookie
 print(driver.get_cookies())

 # 获取当前url
 print(driver.current_url)

 # 关闭浏览器
 driver.quit()

结果：

 百度一下，你就知道
 新闻
 hao123
 地图
 视频
 贴吧
 学术
 [{'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': ''}, {'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': ''}, {'domain': '.baidu.com', 'expires': '周四, 14 三月 2086 10:24:29 GMT', 'expiry': 3666939869, 'httponly': False, 'name': 'PSTM', 'path': '/', 'secure': False, 'value': ''}, {'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/

获取的截图：

　　从页面中提取元素：

 from selenium import webdriver

 driver = webdriver.PhantomJS()
 #---------------------------------------------------------------
 #假设下面有一个表单输入框：
 # <input type="text" name="user-name" id="passwd-id" />

 # 获取id标签值
 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")
 以下的类推
 '''

 # 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']")

 #--------------------------------------------------------------
 #<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：

 #导入 ActionChains 类
 from selenium.webdriver import ActionChains

 # 鼠标移动到 登录按钮 位置，
 login = driver.find_element_by_xpath('//input[@text='button']')
 ActionChains(driver).move_to_element(login).perform()

 # 在 login 位置单击

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

 # 在 login 位置双击

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

 # 在 login位置右击

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

 # 在 login位置左键单击hold住
 a
 ActionChains(driver).move_to_element(login).click_and_hold(login).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()

　　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:

 <select id="status" class="form-control valid" onchange="" name="status">
     <option value=""></option>
     <option value="">未审核</option>
     <option value="">初审通过</option>
     <option value="">复审通过</option>
     <option value="">审核不通过</option>
 </select>

 # 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'))

 #
 select.select_by_index(1)
 select.select_by_value("")
 select.select_by_visible_text("未审核")

 #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。

 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.PhantomJS()
 driver.get("http://www.xxxxx.com/loading")
 try:
     # 页面一直循环，直到 id="myDynamicElement" 出现即返回。
 #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。
     element = WebDriverWait(driver, 10).until(
         EC.presence_of_element_located((By.ID, "myDynamicElement"))
     )
 finally:
     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：

 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

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