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。

一、搭建环境

准备工具：python3.5,selenium,phantomjs

我的电脑里面已经装好了python3.5

安装Selenium：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

二、使用selenium+phantomjs实现简单爬虫

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()

三、selenium+phantomjs的一些使用方法

（1）设置请求头里的user-Agent

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()

（3）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

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(

（3）设置浏览器窗口大小

driver.maximize_window()  #设置全屏
driver.set_window_size(\'480\',\'800\') #设置浏览器宽480，高800

（4）元素定位

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()

（5）操作浏览器前进或后退

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()