Selenium 与 PhantomJS
1.selenium介绍
# 介绍:
1.selenium是一个web自动化测试用的框架. 程序员可以通过代码实现对浏览器的控制, 比如打开网页, 点击网页中的元素, 实现鼠标滚动等操作.
2.它支持多款浏览器, 如谷歌浏览器, 火狐浏览器等等, 当然也支持无头浏览器.
# 目的:
在爬取数据的过程中, 经常遇到动态数据加载, 一般动态数据加载有两种, 一种通过ajax请求加载数据, 另一种通过js代码加载动态数据. selenium可以模拟人操作真实浏览器, 获取加载完成的页面数据
ajax:
url有规律且未加密, 直接构建url连接请求
url加密过无法破解规律 --> selenium
js动态数据加载 --> selenium
2.selenium安装
三要素: 浏览器, 驱动程序, selenium框架
浏览器: 推荐谷歌浏览器, 标准稳定版本
驱动程序:http://chromedriver.storage.googleapis.com/index.html
pip install selenium
# 测试:
from selenium import webdriver
browser = webdriver.Chrome('./webdriver') # 将驱动放在脚本所在的文件夹
browser.get('www.baidu.com')
3.selenium常用操作
# 实例化浏览器对象:
from selenium import webdriver
browser = webdriver.Chrome('driverpath')
# 发送get请求:
browser.get('https://www.baidu.com')
# 获取页面元素:
find_element_by_id:根据元素的id
find_element_by_name:根据元素的name
find_element_by_xpath:根据xpath表达式
find_element_by_class_name:根据class的值
find_element_by_css_selector:根据css选择器
# 节点交互操作:
click(): 点击
send_keys(): 输入内容
clear(): 清空操作
execute_script(js): 执行指定的js代码
# JS代码: window.scrollTo(0, document.body.scrollHeight)可以模拟鼠标滚动一屏高度
quit(): 退出浏览器
I quit! 我不干!
# 获取网页的数据:
browser.page_source ---> str类型
# frame
switch_to.frame('frameid')
4.qq空间模拟登陆
from selenium import webdriver
import time
# 实例化浏览器对象
browser = webdriver.Chrome('./chromedriver.exe')
# 打开qq空间登陆页面
browser.get('https://qzone.qq.com/')
time.sleep(1)
# 转至frame子页面
browser.switch_to.frame('login_frame')
# 获取密码登陆选项并点击
a_tag = browser.find_element_by_id('switcher_plogin')
a_tag.click()
time.sleep(1)
# 获取账号输入框并输入账号
browser.find_element_by_id('u').clear()
user = browser.find_element_by_id('u')
user.send_keys('3338003899')
time.sleep(1)
# 获取密码输入框并输入密码
browser.find_element_by_id('p').clear()
pwd = browser.find_element_by_id('p')
pwd.send_keys('qq123456')
time.sleep(1)
# 获取登陆按钮并单击
button = browser.find_element_by_id('login_button')
button.click()
5.PhantomJS浏览器使用
# PhantomJS下载及配置环境变量
- 下载, 直接解压
- 将解压文件的bin目录添加至环境变量
# PhantomJS无界面浏览器
from selenium import webdriver
browser = webdriver.PhantomJS()
browser.get('https://www.baidu.com')
with open('baidu_phantomjs.html', 'w', encoding="utf-8") as f:
f.write(browser.page_source)
# 谷歌无头浏览器
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')
driver = webdriver.Chrome(chrome_options=chrome_options)
driver.get("https://www.baidu.com")
print(driver.page_source)
with open('baidu_headerless.html', 'w', encoding='utf-8') as f:
f.write(driver.page_source)
5.图片懒加载
import requests
from lxml import etree
from urllib import request
import urllib
url = 'http://sc.chinaz.com/tupian/index.html'
headers = {
"USer-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
res = requests.get(url=url, headers=headers)
res.encoding = 'utf-8'
# print(res.text)
tree = etree.HTML(res.text)
src_list = tree.xpath('//div[contains(@class,"box")]/div/a/img/@src2')
for url_img in src_list:
request.urlretrieve(url_img,'%s.jpg'%src_list.index(url_img))
from selenium import webdriver
import time
browser = webdriver.Chrome('./chromedriver.exe')
browser.get('http://image.baidu.com/')
search = browser.find_element_by_id('kw')
search.send_keys('安琪拉')
button = browser.find_element_by_class_name('s_search')
button.click()
for i in range(3):
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
time.sleep(5)
text = browser.page_source
with open('baidu_pic.html', 'w', encoding="utf-8") as f:
f.write(text)
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('./baidu_pic.html', 'r', encoding='utf-8'), 'lxml')
li_list = soup.select('.imgpage ul li')
for url_img in li_list:
url_img = url_img['data-objurl']
print(url_img)
# 作业:雪球网首页, 抓取推荐咨询的每一条标题与详情页链接(使用selenium模拟鼠标向下滑动)
https://xueqiu.com/
# 默写:
# 实例化浏览器对象:
from selenium import webdriver
browser = webdriver.Chrome('driverpath')
# 发送get请求:
browser.get('url')
# 获取页面元素:
find_element_by_id
find_element_by_xpath
find_element_by_class_name
find_element_by_css_selector
# 交互操作:
click(): 点击
send_keys(): 输入内容
clear(): 清空操作
execute_script(js): 执行指定的js代码
# JS代码: window.scrollTo(0, document.body.scrollHeight)可以模拟鼠标滚动一屏高度
quit(): 退出浏览器
# 获取网页的数据:
browser.page_source ---> str类型