python爬虫利器Selenium使用详解

简介：

用pyhon爬取动态页面时普通的urllib2无法实现，例如下面的京东首页，随着滚动条的下拉会加载新的内容，而urllib2就无法抓取这些内容，此时就需要今天的主角selenium。

Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。支持的浏览器包括IE、Mozilla Firefox、Mozilla Suite等。使用它爬取页面也十分方便，只需要按照访问步骤模拟人在操作就可以了，完全不用操心Cookie,Session的处理，它甚至可以帮助你输入账户，密码，然后点击登陆按钮，对于上面的滚动条，你只需要让浏览器滚到到最低端，然后保存页面就可以了。以上的这些功能在应对一些反爬虫机制时十分有用。接下来就开始我们的讲解正文，带领大家实现一个需要登录的动态网页的爬取。

案例实现：

使用selnium需要选择一个调用的浏览器并下载好对应的驱动，在桌面版可以选择Chrome,FireFox等，服务器端可以使用PhantomJS，桌面版可以直接调出来浏览器观察到变化，所以一般我们可以在桌面版用Chrome等调试好之后，将浏览器改为PhantomJS然后上传到服务器使其运行，这里我们直接以PhantomJS做演示.

首先时导入模块：

 from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
 from selenium import webdriver

接下来时初始化一个浏览器，参数中可以指定加载网页的一些属性：

 cap = webdriver.DesiredCapabilities.PHANTOMJS
 cap["phantomjs.page.settings.resourceTimeout"] = 180
 cap["phantomjs.page.settings.loadImages"] = False

 driver = webdriver.PhantomJS(executable_path="/home/gaorong/phantomjs-2.1.1-linux-x86_64/bin/phantomjs", desired_capabilities=cap)

上面初始了PhantomJS并设置了浏览器的路径，加载属性选择了资源加载超时时间和不加载图片（我们只关心网页文本）。在 这里 还可以选择其他设置。

设置一些属性，并下载一个网页

1 driver.set_page_load_timeout(180)
2 driver.get('https://otx.alienvault.com/accounts/login/')
3 time.sleep(5)
4 driver.save_screenshot('./login.png')   #为便于调试，保存网页的截图

由于在服务器端运行难免出错，可以用save_screenshot保存当前网页的页面便于调试。

接下来就是输入账户和密码登陆，以获取网站的Cookies，便于后面请求。

 #输入username和password
 driver.find_element_by_xpath("/html/body/div[1]/div[1]/login/div[2]/div/form/input[1]").send_keys('*****')
 time.sleep(1)
 print 'input user success!!!'

 driver.find_element_by_xpath("/html/body/div[1]/div[1]/login/div[2]/div/form/input[2]").send_keys('****')
 time.sleep(1)
 print 'input password success!!!'

 driver.find_element_by_xpath("/html/body/div[1]/div[1]/login/div[2]/div/form/button").click()
 time.sleep(5)

上面代码使用find_element_by_xpath获取输入框的位置后输入账户和密码并点击登陆键，可以看到一些都很方便。它会自动跳转到下一个页面，我们只需要sleep几秒等待它。

我们需要爬取的网页信息在某个特定的element里，所以我们需要判断一下这个element是否出现：

  try:
      element = WebDriverWait(driver, 10).until(
          EC.presence_of_element_located((By.CLASS_NAME, 'pulses'))
      )
      print 'find element!!!'
  except:
      print 'not find element!!!'
      print traceback.format_exc()
      driver.quit()

上面判断 class为 'pulse' 这个element是否出现，如果等待10s后还未出现，则selenum会爆出TimeoutError错误。

上面就进行了基本的初始化，然后就需要处理动态的内容了，这个网页像京东一样会随着下拉自动出现内容，所以我们需要实现下拉滚动条：

 print 'begin scroll to get info page...'
 t1 = time.time()
 n = 60   #这里可以控制网页滚动距离
 for i in range(1,n+1):
     s = "window.scrollTo(0,document.body.scrollHeight/{0}*{1});".format(n,i)
     #输出滚动位置，网页大小，和时间
     print s, len(driver.page_source),time.time()-t1
     driver.execute_script(s)
     time.sleep(2)

其中driver.page_source就是获取网页文本。当滚动完毕后我们就可以调用它然后写到一个文件里。这样就完成了这个的程序逻辑。

高级：

用selenim可以应对常见的反爬虫策略，因为相当于一个人在浏览网页，但是对于验证码这些还需要做额外的处理，还有一点就是访问速度不能过快，毕竟他需要调用一个浏览器，如果嫌他速度慢的话我们可以在必要的时候使用他，非必要时候可以使用requests库进行操作。

这里有两篇博客大家可以参考查阅：Python爬虫利器五之Selenium用法 和 常用函数

同时还有一个Selenum IDE可以进行脚本录制及案例转换，我想大家在生活中都可以用得着，参见这里