PhantomJS

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

快速入门

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。

# IPython2 测试代码# 导入 webdriver

from  selenium  import   webdriver# 要想调用键盘按键操作需要引入keys包

from selenium.webdriver.common.keys import Keys

# 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，通常测试会在这里选择 time.sleep(2)driver.get("http://www.baidu.com/")

# 获取页面名为 wrapper的id标签的文本内容

data = driver.find_element_by_id("wrapper").text

# 打印数据内容printdata# 打印页面标题 "百度一下，你就知道"printdriver.title

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

# id="kw"是百度搜索输入框，输入字符串"长城"driver.find_element_by_id("kw").send_keys(u"长城")# id="su"是百度搜索按钮，click() 是模拟点击driver.find_element_by_id("su").click()

# 获取新的页面快照driver.save_screenshot("长城.png")

# 打印网页渲染后的源代码printdriver.page_source# 获取当前页面Cookieprintdriver.get_cookies()# ctrl+a 全选输入框内容driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'a')

# ctrl+x 剪切输入框内容driver.find_element_by_id("kw").send_keys(Keys.CONTROL,'x')

# 输入框重新输入内容driver.find_element_by_id("kw").send_keys("itcast")

# 模拟Enter回车键driver.find_element_by_id("su").send_keys(Keys.RETURN)

# 清除输入框内容driver.find_element_by_id("kw").clear()

# 生成新的页面快照driver.save_screenshot("itcast.png")

# 获取当前urlprintdriver.current_url

# 关闭当前页面，如果只有一个页面，会关闭浏览器

# driver.close()

# 关闭浏览器driver.quit()

页面操作

Selenium 的 WebDriver提供了各种方法来寻找元素，假设下面有一个表单输入框：

那么：

# 获取id标签值element = driver.find_element_by_id("passwd-id")

# 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']")

定位UI元素 (WebElements)

关于元素的选取，有如下的API 单个元素选取

find_element_by_id

find_elements_by_name

find_elements_by_xpath

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

By ID

...

实现

element = driver.find_element_by_id("coolestWidgetEvah")

------------------------or-------------------------

from  selenium.webdriver.common.by  import  By

element = driver.find_element(by=By.ID, value="coolestWidgetEvah")

By Class Name

Cheddar

Gouda

实现

cheeses = driver.find_elements_by_class_name("cheese")

------------------------or-------------------------

from   selenium.webdriver.common.by  import  By  

cheeses = driver.find_elements(By.CLASS_NAME,"cheese")

By Tag Name

实现

frame = driver.find_element_by_tag_name("iframe")

-----------------------or-------------------------

from  selenium.webdriver.common.by  import  By

frame = driver.find_element(By.TAG_NAME,"iframe")

By Name

实现

cheese = driver.find_element_by_name("cheese")

------------------------or-------------------------

from  selenium.webdriver.common.by  import  By  

cheese = driver.find_element(By.NAME,"cheese")

By Link Text

cheese

实现

cheese = driver.find_element_by_link_text("cheese")

------------------------or-------------------------

from   selenium.webdriver.common.by  import By 

cheese = driver.find_element(By.LINK_TEXT,"cheese")

By Partial Link Text

search for cheese>

实现

cheese = driver.find_element_by_partial_link_text("cheese")

------------------------or-------------------------

from  selenium.webdriver.common.by  import   By

cheese = driver.find_element(By.PARTIAL_LINK_TEXT,"cheese")

By CSS

milkcheese

实现

cheese = driver.find_element_by_css_selector("#food span.dairy.aged")

------------------------or-------------------------

from selenium.webdriver.common.by  import  By

cheese = driver.find_element(By.CSS_SELECTOR,"#food span.dairy.aged")

By XPath

实现

inputs = driver.find_elements_by_xpath("//input")

------------------------or-------------------------

from  selenium.webdriver.common.by import  By

inputs = driver.find_elements(By.XPATH,"//input")

鼠标动作链

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：

示例：

#导入 ActionChains 类fromselenium.webdriverimportActionChains# 鼠标移动到 ac 位置ac = driver.find_element_by_xpath('element')ActionChains(driver).move_to_element(ac).perform()# 在 ac 位置单击ac = driver.find_element_by_xpath("elementA")ActionChains(driver).move_to_element(ac).click(ac).perform()# 在 ac 位置双击ac = driver.find_element_by_xpath("elementB")ActionChains(driver).move_to_element(ac).double_click(ac).perform()# 在 ac 位置右击ac = driver.find_element_by_xpath("elementC")ActionChains(driver).move_to_element(ac).context_click(ac).perform()# 在 ac 位置左键单击hold住ac = driver.find_element_by_xpath('elementF')ActionChains(driver).move_to_element(ac).click_and_hold(ac).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()

填充表单

我们已经知道了怎样向文本框中输入文字，但是有时候我们会碰到 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：

# 导入 Select 类

from selenium.webdriver.support.ui  importSelect

# 找到 name 的选项卡

select = Select(driver.find_element_by_name('status'))

# 

select.select_by_index(1)

select.select_by_value("0")

select.select_by_visible_text(u"未审核")

以上是三种选择下拉框的方式，它可以根据索引来选择，可以根据值来选择，可以根据文字来选择。注意：

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

全部取消选择怎么办呢？很简单:

select.deselect_all()

弹窗处理

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()

页面切换

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("this is window name")

也可以使用 window_handles 方法来获取每个窗口的操作对象。例如：

forhandleindriver.window_handles:    driver.switch_to_window(handle)

页面前进和后退

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

forcookieindriver.get_cookies():print"%s -> %s"% (cookie['name'], cookie['value'])

删除Cookies，用法如下

# By namedriver.delete_cookie("CookieName")# alldriver.delete_all_cookies()

页面等待

注意：这是非常重要的一部分！！

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dom元素还没出来，但是你的代码直接使用了这个WebElement，那么就会抛出NullPointer的异常。

为了避免这种元素定位困难而且会提高产生 ElementNotVisibleException 的概率。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.Chrome()

driver.get("http://www.xxxxx.com/loading")

try:

# 页面一直循环，直到 id="myDynamicElement" 出现

       element = WebDriverWait ( driver,10).until(                                                    

             EC.presence_of_element_located((By.ID,"myDynamicElement"  ))   

       )

finally:    

         driver.quit()

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。

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.Chrome()

driver.implicitly_wait(10)   #seconds

driver.get("http://www.xxxxx.com/loading")  

myDynamicElement = driver.find_element_by_id("myDynamicElement")

当然如果不设置，默认等待时间为0。