python爬虫动态HTML处理（Selenium + PhantomJS 快速入门）

1. HTML介绍

1.1 javaScript

JavaScript 是网络上最常用也是支持者最多的客户端脚本语言。它可以收集用户的跟踪数据，不需要重载页面直接提交表单，在页面嵌入多媒体文件，甚至运行网页游戏。我们可以在网页源代码的

<script type="text/javascript"
src="https://statics.huxiu.com/w/mini/static_2015/js/sea.js?v=201601150944" ></script>

1.2 jQuery

jQuery 是一个十分常见的库，70% 最流行的网站（约 200 万）和约 30% 的其他网站（约 2 亿）都在使用。一个网站使用 jQuery 的特征，就是源代码里包含了 jQuery 入口，比如:

<script type="text/javascript"
src="https://statics.huxiu.com/w/mini/static_2015/js/jquery-1.11.1.min.js?V =201512181512"></script>

如果你在一个网站上看到了 jQuery，那么采集这个网站数据的时候要格外小心。jQuery可以动态地创建 HTML 内容，只有在JavaScript 代码执行之后才会显示。如果你用传统的方法采集页面内容，就只能获得 JavaScript 代码执行之前页面上的内容。

1.3 Ajax

我们与网站服务器通信的唯一方式，就是发出 HTTP 请求获取新页面。如果提交表单之后，或从服务器获取信息之后，网站的页面不需要重新刷新，那么你访问的网站就在用 Ajax 技术。

Ajax 其实并不是一门语言，而是用来完成网络任务（可以认为它与网络数据采集差不多）的一系列技术。

Ajax 全称是 Asynchronous JavaScript and XML（异步 JavaScript 和 XML），网站不需要使用单独的页面请求就可以和网络服务器进行交互（收发信息）。

1.5 DHTML

和Ajax 一样，动态 HTML（Dynamic HTML， DHTML）也是一系列用于解决网络问题的技术集合。

DHTML 是用客户端语言改变页面的 HTML 元素（HTML、CSS，或者二者皆被改变）。比如页面上的按钮只有当用户移动鼠标之后才出现，背景色可能每次点击都会改变，或者用一个 Ajax 请求触发页面加载一段新内容。

网页是否属于 DHTML，关键要看有没有用 JavaScript 控制 HTML 和 CSS 元素。

2. Selenium 简介

Selenium：美 [sɪˈliniəm] 硒

Selenium 是一个 Web 的自动化测试工具，最初是为网站自动化测试而开发的，类型像我们玩游戏用的按键精灵，可以按指定的命令自动操作，不同是 Selenium 可以直接运行在浏览器上，它支持所有主流的浏览器（包括 PhantomJS 这些无界面的浏览器）。

Selenium 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。

可以从 PyPI 网站下载 Selenium 库 https://pypi.python.org/simple/selenium ，
也可以用第三方管理器 pip 用命令安装：

pip install selenium==2.48.0

Selenium 官方参考文档：http://selenium-python.readthedocs.io/index.html

3.PhantomJS 简介

phantom：美 ['fæntəm]，鬼怪，幽灵。

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。

下载–解压，然后，设置环境变量：C:\Users\cz\Downloads\phantomjs-2.1.1-windows\bin
打开终端命令行，输入：phantomjs，能够进行到 phantomjs 命令行，则表示安装成功，如下图所示：
在这里插入图片描述
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。

4.示例：百度（Selenium + PhantomJS 快速入门）

from selenium import webdriver
import time
#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()

#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） 		#这个时间表示服务器响应时间 
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 
print（data）

#打印页面标题 "百度一下，你就知道" 
print（driver.title）

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

# 获取当前页面 cookie 
print（driver.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（u"章子怡"） 

# 模拟 Enter 回车键
# time.sleep（10） #加个延时，不然可能会报错：
# Element is not currently interactable and may not be manipulated

#driver.find_element_by_id（"su"）.send_keys（Keys.RETURN） 
#注意：这个地方用回车是没有效果的，因为输入框在表单当中， 
# 可以使用表单提交完成请求 
driver.find_element_by_id（"su"）.submit()

#执行效果如下图所示：a3.png

在这里插入图片描述

# 获取当前 url 
print（driver.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()

5. Selenium相关操作

5.1 页面操作

Selenium 的 WebDriver 提供了各种方法来寻找元素。

比如在百度首页有一个表单输入框：

#百度输入框架页面源码
#<input type="text" class="s_ipt" name="wd" id="kw" maxlength="100" autocomplete="off"> 

from selenium import webdriver
#调用环境变量指定的 PhantomJS 浏览器创建浏览器对象
driver = webdriver.PhantomJS()

# 1.根据 id 获取标签
# time.sleep（2）
element = driver.find_element_by_id（"kw"）

#获取标签的属性
# 格式：标签.get_attribute（"属性名"）
print（element.get_attribute（"type"）） 	  #text 
print（element.get_attribute（"class"））	  #s_ipt

#获取标签的文本 
#格式：标签.text 
print（element.text)

# 2.根据 name 获取标签名
element = driver.find_element_by_name（"wd"）

# 3.根据标签名获取标签名
element = driver.find_elements_by_tag_name（"input"） #返回列表

# 4.通过 XPath 来匹配(返回元素 )
element = driver.find_element_by_xpath（"//input[@id='kw']"）

#定位 UI 元素 （WebElements）
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

6、selenium浏览器操作


```python
from selenium import webdriver
import time
#1、打开Chrome浏览器
driver = webdriver.Chrome()
#浏览器等待，等待加载完成
time.sleep(2)

#2、打开网址(百度指数)
driver.get('http://index.baidu.com')

#3、设置窗口大小
driver.set_window_size(480,800) 
#设置窗口最大化
driver.maximize_window()
time.sleep(2)

#4、浏览器回退，返回上一步
driver.back()
time.sleep(2)

#5、浏览器前进
driver.forward()

#6、刷新页面
driver.refresh()

#7、窗口截图
driver.get_screenshot_as_file(r'D:\桌面\test_pic.png') 

#8、关闭当前窗口
driver.close() 

#9、关闭浏览器
driver.quit()

页面元素获取：

# 元素定位方法：
# 若是表单输入框，则后面加.send_keys()
find_element_by_id()   

find_element_by_name()

find_element_by_link_text().click()

find_element_by_partial_link_text().click()

find_element_by_tag_name()

find_element_by_class_name()

find_element_by_xpath()

find_element_by_css_selector()


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

> 总结：
> 1.request模块他只能获取到服务器返回的数据，如果数据中包含js代码，他只会将js代码原封不动的返回，无法执行js代码。如果遇到一些网页的内容是通过服务器返回的js代码，浏览器执行后得到内容这样的形式，我们是无法获取数据的。
> 
> 2.用selenium+phantomjs就可以执行这些js代码。得到页面内容。

设置无窗口模式：

from selenium.webdriver.chrome.options import Options
 # 先设置浏览器
 
 chrome_options = Options()
 # chrome_options.add_argument('--headless')  # 无窗口模式
 chrome_options.add_argument('--disable-gpu')
 driver = webdriver.Chrome(chrome_options=chrome_options)

获取网页渲染后的源代码：

# 获取网页渲染后的源代码
 html = driver.page_source

获取文本：

# 获取文本：
element.text

获取属性值：

获取属性值：
element.get_attribute("属性名")
element = ....
#获取属性值，如：
element .get_attribute('href')

selenium配合xpath提取数据：

from lxml import etree

html_base = etree.HTML(html)
login_link = html_base .xpath('//*[@id="J_QRCodeImg"]/img/@src')

python处理超时跳过：

import time
import eventlet
eventlet.monkey_patch()
with eventlet.Timeout(2,False):     #设置超时时间为2秒
    time.sleep(3)
    print('超过时长的将不再运行')
print('其他操作')