python 网页爬虫抓取自动化测试之phantomjs使用详解

素颜马尾好姑娘i 2022-09-10 05:22 329阅读 0赞

> PhantomJS俗称为：无界面的浏览器。PhantomJS是一个基于webkit的JavaScript API。它使用QtWebKit作为它核心浏览器的功能，使用webkit来编译解释执行JavaScript代码。任何你可以在基于webkit浏览器做的事情

PhantomJS俗称为：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。

PhantomJS是一个基于webkit的JavaScript API。它使用QtWebKit作为它核心浏览器的功能，使用webkit来编译解释执行JavaScript代码。任何你可以在基于webkit浏览器做的事情，它都能做到。它不仅是个隐形的浏览器，提供了诸如CSS选择器、支持Web标准、DOM操作、JSON、HTML5、Canvas、SVG等，同时也提供了处理文件I/O的操作，从而使你可以向操作系统读写文件等。PhantomJS的用处可谓非常广泛，诸如网络监测、网页截屏、无需浏览器的 Web 测试、页面访问自动化等。

### **1.下载phantomjs** ###

下载地址：[https://npm.taobao.org/mirrors/phantomjs][https_npm.taobao.org_mirrors_phantomjs]

这里面分别提供了**Windows、Mac、以及Linux** 的安装包，根据自己的需要下载即可。下载完成后，将其解压到容易找到的文件夹中，打开并找到bin文件夹里的 **phantomjs.exe，复制文件路径**

### 2. **phantomjs的**使用 ###

#引入selenium
    from selenium import webdriver
     
    # 使用webkit无界面浏览器
    # 如果路径为 exe 启动程序的路径，那么该路径需要加一个 r
    driver =webdriver.PhantomJS(executable_path=r'D:/python/phantomjs-2.1.1-windows/bin/phantomjs.exe')
    # 获取指定网页的数据  start_urls
    driver.get('http://news.sohu.com/scroll/')
     
    print(driver.find_element_by_class_name('title').text)

网上很多教程说要把phantomjs添加到环境变量里，其实我使用下来发现压根不需要那么麻烦。使用的时候加一个 executable\_path 路径，指向本地文件所在地址即可

### 3.phantomjs常用操作 ###

# 导入 webdriver
    from selenium import webdriver
    
    # 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()
    # 如果没有在环境变量指定PhantomJS位置# driver = webdriver.PhantomJS(executable_path="./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)
    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("baidu.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("长城")
    # id="su"是百度搜索按钮，click() 是模拟点击
    driver.find_element_by_id("su").click()
    # 获取新的页面快照
    driver.save_screenshot("长城.png")
    # 打印网页渲染后的源代码
    print driver.page_source
    # 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("atguigu")
    # 模拟Enter回车键
    driver.find_element_by_id("su").send_keys(Keys.RETURN)
    # 清除输入框内容
    driver.find_element_by_id("kw").clear()
    # 生成新的页面快照
    driver.save_screenshot("atguigu.png")
    # 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()

### 4.页面元素查找的方法 ###

# 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

示例：

# 获取id标签值
    element = driver.find_element_by_id("passwd-id")
    # 获取name标签值
    element = driver.find_element_by_name("user-name")
    # 获取标签名值
    element = driver.find_elements_by_tag_name("input")
    # 也可以通过XPath来匹配
    element = driver.find_element_by_xpath("//input[@id='passwd-id']")

5.phantomjs鼠标动作链

# 导入 webdriver
     
    #导入 ActionChains 类
    from selenium.webdriver import ActionChains
    # 鼠标移动到 ac 位置
    ac = driver.find_element_by_xpath('element')
    ActionChains(driver).move_to_element(ac).perform()
     
    # 在 ac 位置单击
    ac = driver.find_element_by_xpath("elementA")
    ActionChains(driver).move_to_element(ac).click(ac).perform()
    # 在 ac 位置双击
    ac = driver.find_element_by_xpath("elementB")
    ActionChains(driver).move_to_element(ac).double_click(ac).perform()
    # 在 ac 位置右击
    ac = driver.find_element_by_xpath("elementC")
    ActionChains(driver).move_to_element(ac).context_click(ac).perform()
    # 在 ac 位置左键单击hold住
    ac = driver.find_element_by_xpath('elementF')
    ActionChains(driver).move_to_element(ac).click_and_hold(ac).perform()
    # 将 ac1 拖拽到 ac2 位置
    ac1 = driver.find_element_by_xpath('elementD')
    ac2 = driver.find_element_by_xpath('elementE')
    ActionChains(driver).drag_and_drop(ac1, ac2).perform()

6.phantomjs下拉菜单的操作(导入select类)

# 导入 Select 类
    from selenium import webdriver
    from selenium.webdriver.support.ui import Select
    driver = webdriver.Chrome()
    driver.get("http://127.0.0.1:8080")
    # 找到 name 的选项卡
    select = Select(driver.find_element_by_name('status'))
    #根据位置下标
    # select.select_by_index(1)
    #根据值找到对应的选择
    # select.select_by_value("3")
    #根据显示值找到对应的选择
    select.select_by_visible_text("审核不通过")

7.phantomjs页面切换

driver.switch_to.window("window name")

8.phantomjs操作页面的前进和后退

driver.forward()     #前进
    driver.back()        # 后退

9.页面等待

**显式等待**是等待特定的时间，**隐式等待**是指定某一条件直到这个条件成立时继续执行。

隐式等待比较简单，就是简单地设置一个等待时间，单位为秒

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

显式等待指定某个条件，然后设置最长等待时间。如果在这个时间还没有找到元素，那么便会**抛出异常**了

from selenium import webdriver
    from selenium.webdriver.common.by import By# WebDriverWait 库，负责循环等待
    from selenium.webdriver.support.ui import WebDriverWait# expected_conditions 类，负责条件出发
    from selenium.webdriver.support import expected_conditions as EC
    driver = webdriver.Chrome()
    driver.get("http://www.xxxxx.com/loading")
    try:
        # 页面一直循环，直到 id="myElement" 出现
        element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.ID, "myElement")))
    finally:
        driver.quit()

10.phantomjs执行JavaScript代码

import time
     
    driver = webdriver.PhantomJS()
     
    driver.get("https://movie.douban.com/typerank?type_name=剧情&type=11&interval_id=100:90&action=")
    # 向下滚动10000像素
    js = "document.body.scrollTop=10000"
    time.sleep(5)
    #查看页面快照
    driver.save_screenshot("douban.png")
    # 执行JS语句
    driver.execute_script(js)
     
    time.sleep(5)
    #查看页面快照
    driver.save_screenshot("newdouban.png")
    #退出浏览器
    driver.quit()

## phantomjs使用案例 ##

### phantomjs**网站模拟登录** ###

from selenium import webdriver
    import time
     
    # 创建一个浏览器客户端,并且指定配置
    # 如果是PhantomJS做浏览器客户端还要设置路径
    # driver = webdriver.PhantomJS(executable_path="/usr/local/bin/phantomjs")
    driver = webdriver.Chrome()
     
    driver.get("https://www.douban.com/")
    time.sleep(1)
    driver.save_screenshot("豆瓣首页.png")
     
    #输入账号
    driver.find_element_by_id("form_email").send_keys("username")
    #输入密码
    driver.find_element_by_name("form_password").send_keys("password")
    #保存验证码的图片
    driver.save_screenshot("验证码.png")
    #输入验证码
    check_code = input("请输入验证码:")
    print(r"验证码是多少:%s" % check_code)
     
    driver.find_element_by_id("captcha_field").send_keys(check_code)
     
    #点击登录按钮
    driver.find_element_by_xpath("//input[@class='bn-submit']").click()
     
    #休眠一下等待登录成功
    time.sleep(3)
    #保存登录成功的快照
    driver.save_screenshot("登录成功.png")
     
     
    #保存成功登录好的html到本地
    with open("douban.html","w",encoding="utf-8") as f:
       f.write(driver.page_source)
     
    #退出成功
    driver.quit()

###  ###

### phantomjs动态页面模拟点击（**unittest ****-**python测试模块） ###

import time
    #导入python测试模块
    import unittest
     
    #类名任意,但必须继承unittest.TestCase
    class DouyuTest(unittest.TestCase):
       #固定写法,通常做初始化
       def setUp(self):
          print("setUp()....")
          self.num1 = 1
          self.num2 = 1
     
       def testTest(self):
          for i in range(1,3):
             print("testTest()==",i)
             self.num1 += 1
             time.sleep(1)
     
       def testTest2(self):
          for i in range(1,3):
             print("testTest2()==",i)
             self.num2 += 1
             time.sleep(1)
       #固定写法,但每个自定义方法接收后都会调用一次该方法
       def tearDown(self):
          print("tearDown()...")
          print("num1==",self.num1)
          print("num2==", self.num2)
     
    if __name__ == "__main__":
       #调用的时候只需要写上main,固定的调用方式
       unittest.main()

模拟最新无界面浏览器

from selenium import webdriver
    from selenium.webdriver.support.ui import WebDriverWait
    from selenium.webdriver.support import expected_conditions as EC
    from selenium.webdriver.common.by import By
    from bs4 import BeautifulSoup
    from selenium.webdriver.chrome.options import Options
     
    #不加载图片,不缓存在硬盘(内存)
    SERVICE_ARGS = ['--load-images=false', '--disk-cache=false']
    chrome_options = Options()
    chrome_options.add_argument("--headless")
    # 创建浏览器, 添加参数设置为无界面浏览器
    driver = webdriver.Chrome(service_args=SERVICE_ARGS, chrome_options=chrome_options)
    #设置等待时间
    waite = WebDriverWait(driver, 5)
    driver.get('https://taobao.com/')
     
    def get_page_num():
    	# 等待搜索框出现
    	input = waite.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#q')))
    	# 输入美食
    	input.send_keys('美食')
    	# 点击搜索
    	driver.find_element_by_css_selector("#J_TSearchForm > div > button").click()
    	# 共计多少页
    	text = driver.find_element_by_css_selector('#mainsrp-pager > div > div > div > div[class="total"]').text
    	data = text[2:6]
    	get_product_info()
    	return data
     
    #得到某一个宝贝,商品的大体信息
    def get_product_info():
    	waite.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-itemlist .items .item')))
    	# 通过BeautifulSoup取数据
    	soup = BeautifulSoup(driver.page_source, 'lxml')
    	#取所有的列表数据
    	item_lists = soup.select("#mainsrp-itemlist .items .item")
    	for item_list in item_lists:
    		item_dict = {}
    		image = item_list.select('.J_ItemPic.img')[0].attrs["data-src"]
    		if not image:
    			image = item_list.select('.J_ItemPic.img')[0].attrs["data-ks-lazyload"]
    		# 销售地
    		location = item_list.select(".location")[0].text
    		# 价格
    		price = item_list.select(".price")[0].text
    		# 商店名称
    		shopname = item_list.select(".shopname")[0].text.strip()
    		# 宝贝名称
    		title = item_list.select('a[class="J_ClickStat"]')[0].text.strip()
    		# 链接
    		data_link = item_list.select('a[class="J_ClickStat"]')[0].attrs["href"]
     
    		item_dict["image"] = "https:" + image
    		item_dict["location"] = location
    		item_dict["shopname"] = shopname
    		item_dict["title"] = title
    		item_dict["data_link"] = "https:" + data_link
    		item_dict["price"] = price
    		print(item_dict)
     
    # 切换下一页
    def next_page(page):
    	print("当前正在加载第%s页的数据--------" % page)
    	try:
    		input = waite.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#mainsrp-pager > div > div > div > div > input')))
    		input.clear()   # 清空输入框
    		# 页面框添加页码
    		input.send_keys(page)
    		#找到确定按钮,点击确定
    		driver.find_element_by_css_selector("#mainsrp-pager > div > div > div > div > span.btn.J_Submit").click()
    		waite.until(EC.text_to_be_present_in_element(
    			(By.CSS_SELECTOR, "#mainsrp-pager > div > div > div > ul.items > li.item.active"), str(page)))
    	except Exception as e:
    		print(e)
    		next_page(page)
    	# 当前切换后的页面的数据
    	get_product_info()
     
    def main():
    	data = get_page_num()
    	print('总页数是=', data)
    	for page in range(2, int(data) + 1):
    		next_page(page)
     
    	# 退出浏览器
    	driver.quit()
     
    if __name__ == '__main__':
    	main()

[Selenium]: http://www.jsphp.net/python/show-24-266-1.html
[https_npm.taobao.org_mirrors_phantomjs]: https://npm.taobao.org/mirrors/phantomjs