伪解决Selenium中调用PhantomJS无法模拟点击(click)操作

最新推荐文章于 2022-06-26 12:43:59 发布

哈士奇说喵

最新推荐文章于 2022-06-26 12:43:59 发布

阅读量1.7w

点赞数 7

分类专栏： Python基础用Python做些有趣的事情解决问题豆瓣数据爬取与分析文章标签： firefox python 浏览器 selenium PhantomJS

本文链接：https://blog.csdn.net/MrLevo520/article/details/51958161

版权

Python基础同时被 3 个专栏收录

33 篇文章 4 订阅

订阅专栏

解决问题

25 篇文章 0 订阅

订阅专栏

用Python做些有趣的事情

19 篇文章 3 订阅

订阅专栏

Python 2.7
IDE Pycharm 5.0.3

具体Selenium和PhantomJS配置及使用请看调用PhantomJS.exe自动续借图书馆书籍

我一直以为，PhantomJS就是无界面的浏览器而已，用Selenium调用PhantomJS和调用Firefox并没有区别

起因

今天想写个爬豆瓣高分电影及评论的小爬虫，刚开始一直调用浏览器进行模拟登陆测试，之后换成调用PhantomJS之后，竟然奇迹般的不好使了！换回浏览器，又正常了！WTF，说好的只是无界面浏览器呢！怎么和导演说的不一样啊！

引用

这是两段网上和书上都有的话，应该没有什么问题

PhantomJS是一个服务器端的 JavaScript API 的WebKit（开源的浏览器引擎）。其支持各种Web标准： DOM 处理, CSS 选择器, JSON, Canvas 和 SVG。PhantomJS可以用于页面自动化，网络监测，网页截屏，以及无界面测试等。

因为脚本好像是一个Web浏览器上运行的一样，标准的DOM脚本和CSS选择器可以很好的工作。这使得PhantomJS适合支持各种页面自动化任务。

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(7、8、9)、Mozilla Firefox、Mozilla Suite等。这个工具的主要功能包括：测试与浏览器的兼容性、测试系统功能，它ThoughtWorks专门为Web应用程序编写的一个验收测试工具。

参考这种资料来看，个人认为，PhantomJS完全可以模拟正常浏览器，简单说就是个无界面轻量级浏览器，不知我理解的可对。

实例分析

目的

根据用户输入，列出豆瓣高分TOP(用户自定义)的电影，链接，及热评若干。（后面几篇博文会更加完善这一想法，这里只是针对豆瓣高分电影）

方案

使用PhantomJS+Selenium+Firefox实现

实现过程

1.get到首页后，先点击豆瓣高分，然后点击按照评分，进行排序
2.抓取每个电影及超链接，进入超链接后，抓取当前电影的热评
3.当用户所要求TOP数目大于第一页的20个时候，点击加载更多，再出现20个电影，重复2操作。

点击过程

这里写图片描述

实现代码

# -*- coding: utf-8 -*-
#Author:哈士奇说喵
#爬豆瓣高分电影及hot影评

from selenium import webdriver
import selenium.webdriver.support.ui as ui
import time



SUMRESOURCES = 0 #全局变量，计数

driver_detail = webdriver.PhantomJS(executable_path="phantomjs.exe")
#driver_item=webdriver.PhantomJS(executable_path="phantomjs.exe")
driver_item=webdriver.Firefox()
url="https://movie.douban.com/"
wait = ui.WebDriverWait(driver_item,15)
wait1 = ui.WebDriverWait(driver_detail,15)


#获取URL和文章标题'''

def getURL_Title(num):
    global SUMRESOURCES
    #先对豆瓣高分进行点击，然后再选择按照评价排序，不然元素隐藏，看不见的
    driver_item.get(url)
    wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div/div/label[5]"))
    driver_item.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div/div/label[5]").click()
    wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div[3]/div/label[3]"))
    driver_item.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div[3]/div/label[3]").click()
    time.sleep(2)

    #打开几次“加载更多”
    num_time = num/20+1
    wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list-wp']/a[@class='more']"))


    for times in range(1,num_time):
        time.sleep(1)
        driver_item.find_element_by_xpath("//div[@class='list-wp']/a[@class='more']").click()
        wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list']/a[%d]"%num))
        print '点击\'加载更多\'一次'
        #driver_item.find_element_by_xpath("//div[@class='list']/a[35]").click()

    #使用wait.until使元素全部加载好能定位之后再操作，相当于try/except再套个while把
    #wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list']/a"))
    #time.sleep(2)

    for i in range(1,num):
        wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list']/a[%d]"%num))
        list_title=driver_item.find_element_by_xpath("//div[@class='list']/a[%d]"%i)
        print 'No' + str(SUMRESOURCES +1)
        print u'电影名: ' + list_title.text
        print u'链接: ' + list_title.get_attribute('href')

        SUMRESOURCES = SUMRESOURCES +1

        try:#获取具体内容和评论。href是每个超链接也就是资源单独的url
            getDetails(str(list_title.get_attribute('href')))
        except:
            print 'can not get the details!'


def getDetails(url):

    driver_detail.get(url)
    wait1.until(lambda driver: driver.find_element_by_xpath("//div[@id='link-report']/span"))
    drama = driver_detail.find_element_by_xpath("//div[@id='link-report']/span")
    print u"剧情简介："+drama.text
    for i in range(1,5):
        try:
            comments = driver_detail.find_element_by_xpath("//div[@id='hot-comments']/div[%s]/div/p"%i)
            print u"最新热评："+comments.text
        except:
            print 'can not caught comments!'

def main(num):
    getURL_Title(num)

#看TOP前几的电影？
num = input("TOP ?:")
main(num+1)

上述代码是我最后调试出来可行的，比如说我输入22，那么最后结果输出是：

TOP ?:22
点击'加载更多'一次
No1
电影名: 肖申克的救赎 9.6
链接: https://movie.douban.com/subject/1292052/?tag=%E8%B1%86%E7%93%A3%E9%AB%98%E5%88%86&from=gaia_video
剧情简介：20世纪40年代末，小有成就的青年银行家安迪（蒂姆·罗宾斯 Tim Robbins 饰）因涉嫌杀害妻子及她的情人而锒铛入狱。在这座名为肖申克的监狱内，希望似乎虚无缥缈，终身监禁的惩罚无疑注定了安迪接下来灰暗绝望的人生。未过多久，安迪尝试接近囚犯中颇有声望的瑞德（摩根·弗里曼 Morgan Freeman 饰），请求对方帮自己搞来小锤子。以此为契机，二人逐渐熟稔，安迪也仿佛在鱼龙混杂、罪恶横生、黑白混淆的牢狱中找到属于自己的求生之道。他利用自身的专业知识，帮助监狱管理层逃税、洗黑钱，同时凭借与瑞德的交往在犯人中间也渐渐受到礼遇。表面看来，他已如瑞德那样对那堵高墙从憎恨转变为处之泰然，但是对自由的渴望仍促使他朝着心中的希望和目标前进。而关于其罪行的真相，似乎更使这一切朝前推进了一步……
本片根据著名作家斯蒂芬·金（Stephen Edwin King）的... (展开全部)

最新热评：有种鸟是关不住的.
最新热评：这无疑是我看得最多的一部经典,爱死
最新热评：Hope is a good thing, and maybe the best thing of all.
最新热评：越狱我感觉就是改编自这个

（中间省略。。。）

No22
电影名: 龙猫 9.1
链接: https://movie.douban.com/subject/1291560/?tag=%E8%B1%86%E7%93%A3%E9%AB%98%E5%88%86&from=gaia
剧情简介：小月的母亲生病住院了，父亲带着她与四岁的妹妹小梅到乡间的居住。她们对那里的环境都感到十分新奇，也发现了很多有趣的事情。她们遇到了很多小精灵，她们来到属于她们的环境中，看到了她们世界中很多的奇怪事物，更与一只大大胖胖的龙猫成为了朋友。龙猫与小精灵们利用他们的神奇力量，为小月与妹妹带来了很多神奇的景观，令她们大开眼界。
妹妹小梅常常挂念生病中的母亲，嚷着要姐姐带着她去看母亲，但小月拒绝了。小梅竟然自己前往，不料途中迷路了，小月只好寻找她的龙猫及小精灵朋友们帮助。

最新热评：人人心中都有个龙猫，童年就永远不会消失，爱是最美的拥有～ ★★★★★
最新热评：日本的动画总是能触碰心灵和温情
最新热评：宫崎骏最感人的一部，初看平平无奇，回味一下痛彻肺腑。
最新热评：永远的豆豆龙

上面的代码是可以实现的，但需要Firefox的配合，因为我其中一个引擎调用了Firefox，另一个抓评论的用了PhantomJS。

出现问题

driver_item=webdriver.PhantomJS(executable_path="phantomjs.exe")

当我driver_item使用PhantomJS而不是Firefox的时候，奇怪的事情出现了，21个电影，又重新回了第一个！
就像这样！

No1
电影名: 肖申克的救赎 9.6
链接: https://movie.douban.com/subject/1292052/?tag=%E8%B1%86%E7%93%A3%E9%AB%98%E5%88%86&from=gaia_video
剧情简介：20世纪40年代末，小有成就的青年银行家安迪（蒂姆·罗宾斯 Tim Robbins 饰）因涉嫌杀害妻子及她的情人而锒铛入狱。在这座名为肖申克的监狱内，希望似乎虚无缥缈，终身监禁的惩罚无疑注定了安迪接下来灰暗绝望的人生。未过多久，安迪尝试接近囚犯中颇有声望的瑞德（摩根·弗里曼 Morgan Freeman 饰），请求对方帮自己搞来小锤子。以此为契机，二人逐渐熟稔，安迪也仿佛在鱼龙混杂、罪恶横生、黑白混淆的牢狱中找到属于自己的求生之道。他利用自身的专业知识，帮助监狱管理层逃税、洗黑钱，同时凭借与瑞德的交往在犯人中间也渐渐受到礼遇。表面看来，他已如瑞德那样对那堵高墙从憎恨转变为处之泰然，但是对自由的渴望仍促使他朝着心中的希望和目标前进。而关于其罪行的真相，似乎更使这一切朝前推进了一步……
本片根据著名作家斯蒂芬·金（Stephen Edwin King）的... (展开全部)
最新热评：不需要女主角的好电影
最新热评：Hope is a good thing, and maybe the best thing of all.
最新热评：hope is a good thing
最新热评：有那么好吗？？？？？

No21
电影名: 肖申克的救赎 9.6
链接: https://movie.douban.com/subject/1292052/?tag=%E8%B1%86%E7%93%A3%E9%AB%98%E5%88%86&from=gaia_video
剧情简介：20世纪40年代末，小有成就的青年银行家安迪（蒂姆·罗宾斯 Tim Robbins 饰）因涉嫌杀害妻子及她的情人而锒铛入狱。在这座名为肖申克的监狱内，希望似乎虚无缥缈，终身监禁的惩罚无疑注定了安迪接下来灰暗绝望的人生。未过多久，安迪尝试接近囚犯中颇有声望的瑞德（摩根·弗里曼 Morgan Freeman 饰），请求对方帮自己搞来小锤子。以此为契机，二人逐渐熟稔，安迪也仿佛在鱼龙混杂、罪恶横生、黑白混淆的牢狱中找到属于自己的求生之道。他利用自身的专业知识，帮助监狱管理层逃税、洗黑钱，同时凭借与瑞德的交往在犯人中间也渐渐受到礼遇。表面看来，他已如瑞德那样对那堵高墙从憎恨转变为处之泰然，但是对自由的渴望仍促使他朝着心中的希望和目标前进。而关于其罪行的真相，似乎更使这一切朝前推进了一步……
本片根据著名作家斯蒂芬·金（Stephen Edwin King）的... (展开全部)
最新热评：不需要女主角的好电影
最新热评：策划了19年的私奔……
最新热评：越狱我感觉就是改编自这个
最新热评：看完让人很振奋

可以看到，评论都是不一样的，说明抓取的是动态网页而且进行了二次抓取，我不明白为什么我代码没有改变，只是调用的引擎不一样，会产生两个不同的结果，难道是js渲染问题么？

首选我分析了一下我的“加载更多”是否合理

这里写图片描述

我采用的方法是，建立一个循环，当用户需求数大于页面存在元素数目就点击一下操作，然后再进行获取

这里写图片描述

经过观察，我写下如下一个循环，觉得应该算简便（其实是错误的，抱歉）

num_time = num/20+1
    wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list-wp']/a[@class='more']"))

    for times in range(1,num_time):
        time.sleep(1)
        driver_item.find_element_by_xpath("//div[@class='list-wp']/a[@class='more']").click()
        wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list']/a[%d]"%num))
        print '点击\'加载更多\'一次'

也就是说，如果用户想看TOP22的，那第一页的20个电影已经不能满足了，需要点击加载更多，隐藏的元素才会被捉到，不然会出现无法定位元素的老问题。

↑补充↑，我犯了个严重的错误

上述那个循环是错误的！我测试到41时候才发现，点击一次之后，查询num=41元素是否存在是不合理的，肯定是不会存在的！，我当时只想着需要查询21的时候，点击一次“加载更多”之后，会出现40个元素，那么我要的21肯定在其中的，所以，我犯了想当然的错误，根本没有考录40以上情况，所以经过改进，应该是这样的，

#选择多打开一次进行加载
num_time = num/20+2
        wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list-wp']/div/a[20]"))

        for times in range(1,num_time):
            driver_item.find_element_by_xpath("//div[@class='list-wp']/a[@class='more']").click()
            wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list-wp']/div/a[%d]"%(20*(times+1))))
            #点击一次，应该加载到40，点击两次，应该加载到60，同理

我是分步分模块来测试的，这个完全没有问题的，只要设置一下休眠时间，等待缓冲完成，一点毛病没有。那问题真的出在调用引擎的问题上么？我来回测试过十多次，每次只要我换引擎了，那么一定出错，电影循环被抓，其中的奥秘我现在还不知道，如果有谁知道，请麻烦留言告诉我一声，我捉摸了半下午还没有头绪。。。

Pay Attention

暂且不说刚才的问题，解决方案找到了暂且能用还是好的，这里说一下我写这个爬虫遇到的问题

1.元素无法定位问题
1.解决方案，首先查看是不是隐藏元素，其次再看自己的规则有没有写错，还有就是是不是页面加载未完成，详见解决网页元素无法定位（NoSuchElementException: Unable to locate element）的几种方法

2.只采集自己需要的数据，剔除无用数据，比如说，刚开始我用

driver_detail.find_elements_by_xpath

然后写个取出list中元素的方法，但是这样的话，一个便签下内容未必太多，并不是我想要的如图：

这里写图片描述

比如说，我只想要红色的部分，那么，采取elements就不太好处理。

2.解决方案，我采用的方法是格式化字符串！这个方法我在Selenium+PhantomJS自动续借图书馆书籍（下）也用过，根据元素的特性，可以发现，每个热评的正文标签不一样的，其余标签一样，只要格式化正文标签即可，像这样

for i in range(1,5):#取了前四条热评
        try:
            comments = driver_detail.find_element_by_xpath("//div[@id='hot-comments']/div[%s]/div/p"%i)
            print u"最新热评："+comments.text
        except:
            print 'can not caught comments!'

3.一个引擎干有个事！我现在没办法，只有将第一个需要处理的页面用Firefox来处理，之后评论用PhantomJS来抓取，之后可以用quit来关闭浏览器，但是启动浏览器还是会耗费好多资源，而且挺慢，虽然PhantomJS也很慢，我12G内存都跑完了。。。。。。看样子是给我买8x2 16G双通道的借口啊。

4.备注不标准也会导致程序出错，这个是我没想到的，我一直以为在”’备注”’之间的都可以随便来，结果影响程序运行了，之后分模块测试才注意到这个问题，也是以前没有遇到过的，切记！需要规范自己代码，特别是像Python这样缩进是灵魂的语言。。。。

最后

耗费好多时间整这个，特别是调用引擎的问题折磨了我半下午，还有就是等待页面加载的问题，代码很简单，但是调试的时间却很久，差不多这个小爬虫花了我五六个小时！！主程序没啥问题，但是调试和修BUG花了好多时间！还是不够成熟啊技术。。。。

PS

科四一点没看，得停下来看看科四啦，我还想暑假回家开挖掘机呢——-0.0买了本Python的数据结构的书和网络数据采集的书，看来得好好的补补基础！

致谢

@MrLevo520–解决网页元素无法定位（NoSuchElementException: Unable to locate element）的几种方法
 @Eastmount–[Python爬虫] Selenium+Phantomjs动态获取CSDN下载资源信息和评论
 @Eastmount–[Python爬虫] 在Windows下安装PIP+Phantomjs+Selenium

哈士奇说喵

关注

7
点赞
踩
9

收藏

觉得还不错? 一键收藏
2
评论
伪解决Selenium中调用PhantomJS无法模拟点击(click)操作

Python 2.7 IDE Pycharm 5.0.3具体Selenium和PhantomJS配置及使用请看调用PhantomJS.exe自动续借图书馆书籍我一直以为，PhantomJS就是无界面的浏览器而已，用Selenium调用PhantomJS和调用Firefox并没有区别起因今天想写个爬豆瓣高分电影及评论的小爬虫，刚开始一直调用浏览器进行模拟登陆测试，之后换成调用PhantomJS之后
复制链接

扫一扫