python+selenium+PhantomJS爬取网页动态加载内容

xiaoxiao2021-02-28  51

原文网址 :http://www.cnblogs.com/chenice/p/6994111.html

以下为复制粘贴内容。

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,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 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()

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 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()

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 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()

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 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()

 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 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()
转载请注明原文地址: https://www.6miu.com/read-52410.html

最新回复(0)