python+selenium+PhantomJS抓取网页动态加载内容

环境搭建

准备工具：pyton3.5,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

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()

selenium+phantomjs的一些使用方法

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()

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()

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

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

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

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()