Python面试题之爬虫（selenium）

知识点：

• 整理 爬虫面试题

• 添加 爬虫的代码

• 加深 爬虫的理解

• 版本 python3.6

---

1. 谈一谈你对Selenium和PhantomJS了解

• Selenium是一个Web的自动化测试工具，可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生
• Selenium 自己不带浏览器，不支持浏览器的功能，它需要与第三方浏览器结合在一起才能使用。但是我们有时候需要让它内嵌在代码中运行，所以我们可以用一个叫 PhantomJS 的工具代替真实的浏览器
• 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。
• 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。
• PhantomJS 爬数据比较慢，可以选择多线程。如果运行的时候发现有的可以运行，有的不能，可以尝试将 phantomJS 改成 Chrome。

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 JavaScript、Cookie、headers，以及任何我们真实用户需要做的事情。

---

2. selenium提取数据

在使用selenium过程中，实例化driver对象后，driver对象有一些常用的属性和方法

• driver.page_source 当前标签页浏览器渲染之后的网页源代码
• driver.current_url 当前标签页的url
• driver.close() 关闭当前标签页，如果只有一个标签页则关闭整个浏览器
• driver.quit() 关闭浏览器
• driver.forward() 页面前进
• driver.back() 页面后退
• driver.screen_shot(img_name) 页面截图

---

3.driver对象定位标签元素获取标签对象的方法

在selenium中可以通过多种方式来定位标签，返回标签元素对象

• find_element_by_id (返回一个元素)
• find_element(s)_by_class_name (根据类名获取元素列表)
• find_element(s)_by_name (根据标签的name属性值返回包含标签对象元素的列表)
• find_element(s)_by_xpath (返回一个包含元素的列表)
• find_element(s)_by_link_text (根据连接文本获取元素列表)
• find_element(s)_by_partial_link_text (根据链接包含的文本获取元素列表)
• find_element(s)_by_tag_name (根据标签名获取元素列表)
• find_element(s)_by_css_selector (根据css选择器来获取元素列表)

---

4.标签对象提取文本内容和属性值

find_element仅仅能够获取元素，不能够直接获取其中的数据，如果需要获取数据需要使用以下方法

• 对元素执行点击操作element.click()
  • 对定位到的标签对象进行点击操作
• 向输入框输入数据element.send_keys(data)
  • 对定位到的标签对象输入数据
• 获取文本element.text
  • 通过定位获取的标签对象的text属性，获取文本内容
• 获取属性值element.get_attribute(“属性名”)
  • 通过定位获取的标签对象的get_attribute函数，传入属性名，来获取属性的值

---

Selenium和PhantomJS可以解决大部分并且简单的反爬措施，但是说到底，它只是个工具，能力是有限的，一个好爬虫是真真实实的模拟浏览器访问服务器，那要真实的话，就是不会绕过反爬措施，而是直面面对并且破解，下一篇讲一下反爬和反反爬的博弈以及面试问题，未完待续…

---