python+selenium+PhantomJS爬取网页动态加载内容
原文网址 ：http://www.cnblogs.com/chenice/p/6994111.html
以下为复制粘贴内容。
一般我们使用python的第三方库requests及框架scrapy来爬取网上的资源，但是设计javascript渲染的页面却不能抓取，此时，我们使用web自动化测试化工具Selenium+无界面浏览器PhantomJS来抓取javascript渲染的页面，下面实现一个简单的爬取
环境搭建
准备工具：python3.5,selenium,phantomjs
我的电脑里面已经装好了python3.5
安装Selenium
|
1
|
pip3 install selenium
|
安装Phantomjs
按照系统环境下载phantomjs,下载完成之后，将phantomjs.exe解压到python的script文件夹下
使用selenium+phantomjs实现简单爬虫
|
1
2
3
4
5
6
7
8
9
|
from
selenium import webdriver
driver = webdriver.PhantomJS()
driver.
get
(
'http://www.baidu.com'
) #加载网页
data = driver.page_source #获取网页文本
driver.save_screenshot(
'1.png'
) #截图保存
print(data)
driver.quit()
|
selenium+phantomjs的一些使用方法
设置请求头里的user-Agent
|
1
2
3
4
5
6
7
8
9
10
11
12
|
from
selenium import webdriver
from
selenium.webdriver.common.desired_capabilities import DesiredCapabilities
dcap = dict(DesiredCapabilities.PHANTOMJS) #设置useragent
dcap[
'phantomjs.page.settings.userAgent'
] = (
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.9; rv:25.0) Gecko/20100101 Firefox/25.0 '
) #根据需要设置具体的浏览器信息
driver = webdriver.PhantomJS(desired_capabilities=dcap) #封装浏览器信息
driver.
get
(
'http://www.baidu.com'
) #加载网页
data = driver.page_source #获取网页文本
driver.save_screenshot(
'1.png'
) #截图保存
print(data)
driver.quit()
|
请求超时设置
webdriver类中有三个和时间相关的方法：
1.pageLoadTimeout 设置页面完全加载的超时时间，完全加载即完全渲染完成，同步和异步脚本都执行完
2.setScriptTimeout 设置异步脚本的超时时间
3.implicitlyWait 识别对象的智能等待时间
|
1
2
3
4
5
6
7
|
from
selenium import webdriver
driver = webdriver.PhantomJS()
driver.set_page_load_timeout(5) #设置超时时间
driver.
get
(
'http://www.baidu.com'
)
print(driver.title)
driver.quit()
|
设置浏览器窗口大小
调用启动的浏览器不是全屏的，有时候会影响我们的某些操作，所以我们可以设置全屏
|
1
2
|
driver.maximize_window() #设置全屏
driver.set_window_size(
'480'
,
'800'
) #设置浏览器宽480，高800
|
元素定位
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
from
selenium import webdriver
driver = webdriver.PhantomJS()
driver.set_page_load_timeout(5)
driver.
get
(
'http://www.baidu.com'
)
try
:
driver.
get
(
'http://www.baidu.com'
)
driver.find_element_by_id(
'kw'
) # 通过ID定位
driver.find_element_by_class_name(
's_ipt'
) # 通过
class
属性定位
driver.find_element_by_name(
'wd'
) # 通过标签name属性定位
driver.find_element_by_tag_name(
'input'
) # 通过标签属性定位
driver.find_element_by_css_selector(
'#kw'
) # 通过css方式定位
driver.find_element_by_xpath(
"//input[@id='kw']"
) # 通过xpath方式定位
driver.find_element_by_link_text(
"贴吧"
) # 通过xpath方式定位
print(driver.find_element_by_id(
'kw'
).tag_name ) # 获取标签的类型
except Exception
as
e:
print(e)
driver.quit()
|
操作浏览器前进或后退
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
from
selenium import webdriver
driver = webdriver.PhantomJS()
try
:
driver.
get
(
'http://www.baidu.com'
) #访问百度首页
driver.save_screenshot(
'1.png'
)
driver.
get
(
'http://www.sina.com.cn'
) #访问新浪首页
driver.save_screenshot(
'2.png'
)
driver.back() #回退到百度首页
driver.save_screenshot(
'3.png'
)
driver.forward() #前进到新浪首页
driver.save_screenshot(
'4.png'
)
except Exception
as
e:
print(e)
driver.quit()
|