17.python爬虫—Selenium

17.1 动态HTML技术

17.2 Selenium和PhantomJS入门

17.2.1 Selenium

• 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，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），可以接收指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏

17.2.2 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
• http://selenium-python-zh.readthedocs.io/en/latest/waits.html

17.2.3 加载网页

• from selenium import webdriver
• driver =webdriver.PhantomJS(“c:…/pantomjs.exe”)
• driver.get(“http://www.baidu.com/”)
• driver.save_screenshot(“长城.png”)

17.2.4 定位和操作

• driver.find_element_by_id(“kw”).send_keys(“长城”)
• driver.find_element_by_id(“su”).click()

17.2.5 查看请求信息

• driver.page_source
• driver.get_cookies()
• driver.current_url

17.2.6 退出

• driver.close() #退出当前页面
• driver.quit() #退出浏览器

17.3 页面元素定位

17.3.1 用法

• find_element_by_id (返回一个)
• find_elements_by_xpath （返回一个列表）
• 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

17.3.2 注意点

• find_element 和find_elements的区别：返回一个和返回一个列表
• by_link_text和by_partial_link_text的区别：全部文本和包含某个文本
• by_css_selector的用法： #food span.dairy.aged
• by_xpath中获取属性和文本需要使用get_attribute() 和.text

17.4 Cookie相关用法

• {cookie[‘name’]: cookie[‘value’] for cookie in driver.get_cookies()}
• driver.delete_cookie(“CookieName”)
• driver.delete_all_cookies()

17.5 页面等待

• 为什么需要等待
  • 如果网站采用了动态html技术，那么页面上的部分元素出现时间便不能确定，这个时候就可以设置一个等待时间，强制要求在时间内出现，否则报错
• 强制等待
  • time.sleep(10)
• 显式等待(了解)
  • 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.
  • WebDriverWait(driver,10).until(EC.presence_of_element_located((By.ID,“myDynamicElement”))
• 隐式等待(了解)
  • 就是简单地设置一个最大等待时间，单位为秒。
  • driver.implicitly_wait(10)

17.6 Selenium总结

• 应用场景：
  • 动态html页面请求
  • 登录获取cookies
• 如何使用
  • 导包并且实例化driver
  • 发送请求
  • 定位获取数据
  • 保存
  • 退出driver
• Cookies相关方法：
  • get_cookies()
• 页面等待