python+selenium+PhantomJS爬取网页动态加载内容

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()