摘要：一個網(wǎng)站使用的特征就是源代碼里包含了入口比如如果你在一個網(wǎng)站上看到了，那么采集這個網(wǎng)站數(shù)據(jù)的時候要格外小心。直接點(diǎn)擊下拉框中的選項(xiàng)不一定可行。未審核初審?fù)ㄟ^復(fù)審?fù)ㄟ^審核不通過專門提供了類來處理下拉框。

JavaScript 是網(wǎng)絡(luò)上最常用也是支持者最多的客戶端腳本語言。它可以收集 用戶的跟蹤數(shù)據(jù),不需要重載頁面直接提交表單，在頁面嵌入多媒體文件，甚至運(yùn)行網(wǎng)頁游戲。

我們可以在網(wǎng)頁源代碼的標(biāo)簽里看到，比如：

jQuery 是一個十分常見的庫,70% 最流行的網(wǎng)站(約 200 萬)和約 30% 的其他網(wǎng)站(約 2 億)都在使用。一個網(wǎng)站使用 jQuery 的特征,就是源代碼里包含了 jQuery 入口,比如:

如果你在一個網(wǎng)站上看到了 jQuery，那么采集這個網(wǎng)站數(shù)據(jù)的時候要格外小心。jQuery 可 以動態(tài)地創(chuàng)建 HTML 內(nèi)容,只有在 JavaScript 代碼執(zhí)行之后才會顯示。如果你用傳統(tǒng)的方 法采集頁面內(nèi)容,就只能獲得 JavaScript 代碼執(zhí)行之前頁面上的內(nèi)容。

我們與網(wǎng)站服務(wù)器通信的唯一方式，就是發(fā)出 HTTP 請求獲取新頁面。如果提交表單之后，或從服務(wù)器獲取信息之后，網(wǎng)站的頁面不需要重新刷新，那么你訪問的網(wǎng)站就在用Ajax 技術(shù)。

Ajax 其實(shí)并不是一門語言,而是用來完成網(wǎng)絡(luò)任務(wù)(可以認(rèn)為 它與網(wǎng)絡(luò)數(shù)據(jù)采集差不多)的一系列技術(shù)。Ajax 全稱是 Asynchronous JavaScript and XML(異步 JavaScript 和 XML)，網(wǎng)站不需要使用多帶帶的頁面請求就可以和網(wǎng)絡(luò)服務(wù)器進(jìn)行交互 (收發(fā)信息)。

Ajax 一樣，動態(tài) HTML(Dynamic HTML, DHTML)也是一系列用于解決網(wǎng)絡(luò)問題的 技術(shù)集合。DHTML 是用客戶端語言改變頁面的 HTML 元素(HTML、CSS，或者二者皆 被改變)。比如頁面上的按鈕只有當(dāng)用戶移動鼠標(biāo)之后才出現(xiàn),背景色可能每次點(diǎn)擊都會改變，或者用一個 Ajax 請求觸發(fā)頁面加載一段新內(nèi)容，網(wǎng)頁是否屬于DHTML，關(guān)鍵要看有沒有用 JavaScript 控制 HTML 和 CSS 元素。

那么，如何搞定？

那些使用了 Ajax 或 DHTML 技術(shù)改變 / 加載內(nèi)容的頁面，可能有一些采集手段。但是用 Python 解決這個問題只有兩種途徑:

直接從 JavaScript 代碼里采集內(nèi)容（費(fèi)時費(fèi)力）
用 Python 的 第三方庫運(yùn)行 JavaScript，直接采集你在瀏覽器里看到的頁面（這個可以有）。

Selenium是一個Web的自動化測試工具，最初是為網(wǎng)站自動化測試而開發(fā)的，類型像我們玩游戲用的按鍵精靈，可以按指定的命令自動操作，不同是Selenium 可以直接運(yùn)行在瀏覽器上，它支持所有主流的瀏覽器（包括PhantomJS這些無界面的瀏覽器）。

Selenium 可以根據(jù)我們的指令，讓瀏覽器自動加載頁面，獲取需要的數(shù)據(jù)，甚至頁面截屏，或者判斷網(wǎng)站上某些動作是否發(fā)生。

Selenium 自己不帶瀏覽器，不支持瀏覽器的功能，它需要與第三方瀏覽器結(jié)合在一起才能使用。但是我們有時候需要讓它內(nèi)嵌在代碼中運(yùn)行，所以我們可以用一個叫 PhantomJS 的工具代替真實(shí)的瀏覽器。

可以從 PyPI 網(wǎng)站下載 Selenium庫https://pypi.python.org/simpl... ，也可以用 第三方管理器 pip用命令安裝：pip install selenium

Selenium 官方參考文檔：http://selenium-python.readth...

PhantomJS 是一個基于Webkit的“無界面”(headless)瀏覽器，它會把網(wǎng)站加載到內(nèi)存并執(zhí)行頁面上的 JavaScript，因?yàn)椴粫故緢D形界面，所以運(yùn)行起來比完整的瀏覽器要高效。

如果我們把 Selenium 和 PhantomJS 結(jié)合在一起，就可以運(yùn)行一個非常強(qiáng)大的網(wǎng)絡(luò)爬蟲了，這個爬蟲可以處理 JavaScrip、Cookie、headers，以及任何我們真實(shí)用戶需要做的事情。

注意：PhantomJS 只能從它的官方網(wǎng)站http://phantomjs.org/download...) 下載。 因?yàn)?PhantomJS 是一個功能完善(雖然無界面)的瀏覽器而非一個 Python 庫，所以它不需要像 Python 的其他庫一樣安裝，但我們可以通過Selenium調(diào)用PhantomJS來直接使用。

PhantomJS 官方參考文檔：http://phantomjs.org/document...

Selenium 庫里有個叫 WebDriver 的 API。WebDriver 有點(diǎn)兒像可以加載網(wǎng)站的瀏覽器，但是它也可以像 BeautifulSoup 或者其他 Selector 對象一樣用來查找頁面元素，與頁面上的元素進(jìn)行交互 (發(fā)送文本、點(diǎn)擊等)，以及執(zhí)行其他動作來運(yùn)行網(wǎng)絡(luò)爬蟲。

from selenium import webdriver

from selenium.webdriver.common.keys import Keys

driver = webdriver.PhantomJS()

driver = webdriver.PhantomJS(executable_path="./phantomjs"))

driver.get("http://www.baidu.com/")

data = driver.find_element_by_id("wrapper").text

print data

print driver.title

driver.save_screenshot("baidu.png")

driver.find_element_by_id("kw").send_keys(u"長城")

driver.find_element_by_id("su").click()

driver.save_screenshot("長城.png")

print driver.page_source

print driver.get_cookies()

driver.find_element_by_id("kw").send_keys(Keys.CONTROL,"a")

driver.find_element_by_id("kw").send_keys(Keys.CONTROL,"x")

driver.find_element_by_id("kw").send_keys("itcast")

driver.find_element_by_id("su").send_keys(Keys.RETURN)

driver.find_element_by_id("kw").clear()

driver.save_screenshot("itcast.png")

print driver.current_url

### driver.close()

driver.quit()

頁面操作

Selenium 的 WebDriver提供了各種方法來尋找元素，假設(shè)下面有一個表單輸入框：

那么：

### 獲取id標(biāo)簽值
element = driver.find_element_by_id("passwd-id")
### 獲取name標(biāo)簽值
element = driver.find_element_by_name("user-name")
# 獲取標(biāo)簽名值
element = driver.find_elements_by_tag_name("input")
### 也可以通過XPath來匹配
element = driver.find_element_by_xpath("http://input[@id="passwd-id"]")
定位UI元素 (WebElements)

關(guān)于元素的選取，有如下的API 單個元素選取

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
By ID

...
實(shí)現(xiàn)

element = driver.find_element_by_id("coolestWidgetEvah")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
element = driver.find_element(by=By.ID, value="coolestWidgetEvah")
By Class Name

Cheddar
Gouda
實(shí)現(xiàn)

cheeses = driver.find_elements_by_class_name("cheese")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
cheeses = driver.find_elements(By.CLASS_NAME, "cheese")
By Tag Name


實(shí)現(xiàn)

frame = driver.find_element_by_tag_name("iframe")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
frame = driver.find_element(By.TAG_NAME, "iframe")
By Name


實(shí)現(xiàn)

cheese = driver.find_element_by_name("cheese")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.NAME, "cheese")
By Link Text

cheese
實(shí)現(xiàn)

cheese = driver.find_element_by_link_text("cheese")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.LINK_TEXT, "cheese")
By Partial Link Text

search for cheese>
實(shí)現(xiàn)

cheese = driver.find_element_by_partial_link_text("cheese")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.PARTIAL_LINK_TEXT, "cheese")
By CSS

milkcheese
實(shí)現(xiàn)

cheese = driver.find_element_by_css_selector("#food span.dairy.aged")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
cheese = driver.find_element(By.CSS_SELECTOR, "#food span.dairy.aged")
By XPath



實(shí)現(xiàn)

inputs = driver.find_elements_by_xpath("http://input")
------------------------ or -------------------------
from selenium.webdriver.common.by import By
inputs = driver.find_elements(By.XPATH, "http://input")

鼠標(biāo)動作鏈

有些時候，我們需要再頁面上模擬一些鼠標(biāo)操作，比如雙擊、右擊、拖拽甚至按住不動等，我們可以通過導(dǎo)入 ActionChains 類來做到：

示例：

from selenium.webdriver import ActionChains

ac = driver.find_element_by_xpath("element")
ActionChains(driver).move_to_element(ac).perform()

ac = driver.find_element_by_xpath("elementA")
ActionChains(driver).move_to_element(ac).click(ac).perform()

ac = driver.find_element_by_xpath("elementB")
ActionChains(driver).move_to_element(ac).double_click(ac).perform()

ac = driver.find_element_by_xpath("elementC")
ActionChains(driver).move_to_element(ac).context_click(ac).perform()

ac = driver.find_element_by_xpath("elementF")
ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform()

ac1 = driver.find_element_by_xpath("elementD")
ac2 = driver.find_element_by_xpath("elementE")
ActionChains(driver).drag_and_drop(ac1, ac2).perform()

填充表單

我們已經(jīng)知道了怎樣向文本框中輸入文字，但是有時候我們會碰到 標(biāo)簽的下拉框。直接點(diǎn)擊下拉框中的選項(xiàng)不一定可行。

    
    未審核
    初審?fù)ㄟ^
    復(fù)審?fù)ㄟ^
    審核不通過

Selenium專門提供了Select類來處理下拉框。 其實(shí) WebDriver 中提供了一個叫 Select 的方法，可以幫助我們完成這些事情：

from selenium.webdriver.support.ui import Select

select = Select(driver.find_element_by_name("status"))

select.select_by_index(1)
select.select_by_value("0")
select.select_by_visible_text(u"未審核")

以上是三種選擇下拉框的方式，它可以根據(jù)索引來選擇，可以根據(jù)值來選擇，可以根據(jù)文字來選擇。注意：

index 索引從 0 開始
value是option標(biāo)簽的一個屬性值，并不是顯示在下拉框中的值
visible_text是在option標(biāo)簽文本的值，是顯示在下拉框的值
全部取消選擇怎么辦呢？很簡單:

select.deselect_all()

當(dāng)你觸發(fā)了某個事件之后，頁面出現(xiàn)了彈窗提示，處理這個提示或者獲取提示信息方法如下：

alert = driver.switch_to_alert()

一個瀏覽器肯定會有很多窗口，所以我們肯定要有方法來實(shí)現(xiàn)窗口的切換。切換窗口的方法如下：

driver.switch_to.window("this is window name")
也可以使用 window_handles 方法來獲取每個窗口的操作對象。例如：

for handle in driver.window_handles:
    driver.switch_to_window(handle)

頁面前進(jìn)和后退

操作頁面的前進(jìn)和后退功能：

driver.forward()     #前進(jìn)
driver.back()        # 后退

獲取頁面每個Cookies值，用法如下

for cookie in driver.get_cookies():
    print "%s -> %s" % (cookie["name"], cookie["value"])

刪除Cookies，用法如下

driver.delete_cookie("CookieName")

driver.delete_all_cookies()

頁面等待

注意：這是非常重要的一部分！！

現(xiàn)在的網(wǎng)頁越來越多采用了 Ajax 技術(shù)，這樣程序便不能確定何時某個元素完全加載出來了。如果實(shí)際頁面等待時間過長導(dǎo)致某個dom元素還沒出來，但是你的代碼直接使用了這個WebElement，那么就會拋出NullPointer的異常。

為了避免這種元素定位困難而且會提高產(chǎn)生 ElementNotVisibleException 的概率。所以 Selenium 提供了兩種等待方式，一種是隱式等待，一種是顯式等待。

隱式等待是等待特定的時間，顯式等待是指定某一條件直到這個條件成立時繼續(xù)執(zhí)行。

顯式等待指定某個條件，然后設(shè)置最長等待時間。如果在這個時間還沒有找到元素，那么便會拋出異常了。

from selenium import webdriver
from selenium.webdriver.common.by import By
### WebDriverWait 庫，負(fù)責(zé)循環(huán)等待
from selenium.webdriver.support.ui import WebDriverWait
### expected_conditions 類，負(fù)責(zé)條件出發(fā)
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()
driver.get("http://www.xxxxx.com/loading")
try:

頁面一直循環(huán)，直到 id="myDynamicElement" 出現(xiàn)


    element = WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.ID, "myDynamicElement"))
    )
finally:
    driver.quit()

如果不寫參數(shù)，程序默認(rèn)會 0.5s 調(diào)用一次來查看元素是否已經(jīng)生成，如果本來元素就是存在的，那么會立即返回。

下面是一些內(nèi)置的等待條件，你可以直接調(diào)用這些條件，而不用自己寫某些等待條件了。

title_is
title_contains
presence_of_element_located
visibility_of_element_located
visibility_of
presence_of_all_elements_located
text_to_be_present_in_element
text_to_be_present_in_element_value
frame_to_be_available_and_switch_to_it
invisibility_of_element_located
element_to_be_clickable – it is Displayed and Enabled.
staleness_of
element_to_be_selected
element_located_to_be_selected
element_selection_state_to_be
element_located_selection_state_to_be
alert_is_present

隱式等待比較簡單，就是簡單地設(shè)置一個等待時間，單位為秒。

from selenium import webdriver

driver = webdriver.Chrome()
driver.implicitly_wait(10) # seconds
driver.get("http://www.xxxxx.com/loading")
myDynamicElement = driver.find_element_by_id("myDynamicElement")

當(dāng)然如果不設(shè)置，默認(rèn)等待時間為0。