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 webdriverdriver = 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 webdriverfrom selenium.webdriver.common.desired_capabilities import DesiredCapabilitiesdcap = dict(DesiredCapabilities.PHANTOMJS) #设置useragentdcap['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 webdriverdriver = 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 webdriverdriver = 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 webdriverdriver = 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() |