Python3.x：Selenium+PhantomJS爬取带Ajax、Js的网页

Python3.x：Selenium+PhantomJS爬取带Ajax、Js的网页

前言　

　　现在很多网站的都大量使用JavaScript，或者使用了Ajax技术。这样在网页加载完成后，url虽然不改变但是网页的DOM元素内容却可以动态的变化。如果处理这种网页是还用requests库或者python自带的urllib库那么得到的网页内容和网页在浏览器中显示的内容是不一致的。

解决方案

　　使用Selenium+PhantomJS。这两个组合在一起，可以运行非常强大的爬虫，可以处理cookie，JavaScript，header以及其他你想做的任何事情。 

安装第三方库

　　Selenium是一个强大的网络数据采集工具，最初是为网站自动化测试开发的，其有对应的Python库；

　　Selenium安装命令：

pip install selenium

安装PhantomJS

　　PhantomJS是一个基于webkit内核的无头浏览器，即没有UI界面，即它就是一个浏览器，只是其内的点击、翻页等人为相关操作需要程序设计实现。通过编写js程序可以直接与webkit内核交互，在此之上可以结合java语言等，通过java调用js等相关操作。需要去官网下载对应平台的压缩文件；

PhantomJS（phantomjs-2.1.1-windows）下载地址：http://phantomjs.org/download.html

下载PhantomJs 然后将 解压后的执行文件放在被设置过环境变量的地方，不设置的话，后续代码就要设， 所以这里直接放进来方便；

然后检测下，在cmd窗口输入phantomjs：

出现这样的画面，即表示成功；

示例一：

　　Selenium+PhantomJS示例代码：

from selenium import webdriver

driver = webdriver.PhantomJS()
driver.get('http://www.cnblogs.com/lizm166/p/8360388.html')
#获取网页源码
data = driver.page_source
print(data)
#获取元素的html源码
tableData = driver.find_element_by_tag_name('tableData').get_attribute('innerHTML')
#获取元素的id值
tableI = driver.find_element_by_tag_name('tableData').get_attribute('id')
#获取元素的文本内容
tableI = driver.find_element_by_tag_name('tableData').text
#循环测试
list_container = driver.find_elements_by_xpath("//div[@class='list-container mb-bg']/dl/dt/h3/a") 
for title in list_container:  
    print 'Num' + str(SUMRESOURCES +1)  
    print u'标题: ' + title.text  
    print u'链接: ' + title.get_attribute('href')

driver.quit()    

　　能输出网页源码，说明安装成功

示例二：

　　通过这两者来解决客户端重定向问题的例子:

　　程序首先加载了driver对象，然后请求网站，之后没0.5秒检测网站的html元素，如果html元素发生改变则认为页面发生了重定向，然后打印重定向后的页面内容。

　　代码：

from selenium import webdriver
import time
from selenium.webdriver.remote.webelement import WebElement
from selenium.common.exceptions import StaleElementReferenceException


# 处理重定向，可以定时检查页面的某元素
# 如果和先前的不一致则可认为客户端重定向
def wait_for_load(driver):
    #elem = driver.find_element_by_tag_name("html")
    title = driver.find_element_by_tag_name("title")
    #print(title)
    count = 0
    while True:
        count += 1
        if count > 20:
            print("Timing out after 10 seconds and returning")
            return
        time.sleep(.5)

        newtitle = driver.find_element_by_tag_name("title")
        if newtitle != title:
            return
        #try:
        #    elem = driver.find_element_by_tag_name("html")
        #except StaleElementReferenceException:
        #    return

driver = webdriver.PhantomJS(executable_path='./phantomjs')
driver.get("http://pythonscraping.com/pages/javascript/redirectDemo1.html")
wait_for_load(driver)
print(driver.page_source)

 示例三：

import requests
from bs4 import BeautifulSoup
from selenium import webdriver

def getData(dataUrl):
    #获取ajax返回的页面（用bs4获取不到ajax返回的数据）
    driver = webdriver.PhantomJS()
    driver.get(dataUrl)
    #获取table元素
    tables = driver.find_elements_by_tag_name('table')
    if tables is None:
        print('网页加载获取数据失败')
        logger.info('网页加载获取数据失败')
    #获取table元素中的tr元素
    trList = tables[0].find_elements_by_tag_name('tr')
    if trList is None:
        print('网页加载获取数据失败')
        logger.info('网页加载获取数据失败')
    for i in range(0,len(trList)):
        if i > 0:
            #获取table元素中的tr元素中的td元素
            tdList = trList[i].find_elements_by_tag_name('td')
            if tdList is not None:
                for n in range(0,len(tdList)):
                    #获取td元素文本内容
                    print(">>>>%s：%s"%(n,tdList[n].text))
    driver.quit()

def getDataUrl(issueid):
    dataUrl = ''
    url = "http://******/Scsj_tjyb_issue.jsp"
    headerDict = {'Host': '******',
                  'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.31 Safari/537.36',
                  'Accept': '*/*',
                  'Accept-Language': 'zh-CN,zh;q=0.8',
                  'Accept-Encoding': 'gzip, deflate',
                  'Origin':'http://******,
                  'Referer': 'http://******/tjyb_front/',
                  'Connection': 'keep-alive'}
    data = {'AJAX': '1', 'TEMPLATE_ID': '1114',
            'ISSUEID': issueid, 'CATALOGTYPE': 'main',
            'LANGUAGE': 'zh', 'HEAD': ''}
    res = requests.post(url, data=data, headers=headerDict)
    # 获取跳转后的页面源码，返回json串
    soup = BeautifulSoup(res.content, "html.parser")
    if soup.find_all('a',target='_blank') is not None:
        for a_url in soup.find_all('a',target='_blank'):
            if a_url.string == '******统计表':
                dataUrl=a_url['href']
                break
    else:
        print("未获取到a标签")
        logger.info("未获取到a标签")
    print('http://******'+dataUrl)
    return 'http://******'+dataUrl

if __name__ == '__main__':
    url = getDataUrl('897')
    getData(url)

 示例四：

#自定义请求头head
from selenium import webdriver
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities

#设置自定义请求头参数
def get_headers_driver():
    desire = DesiredCapabilities.PHANTOMJS.copy()
    headers = {'Accept': '*/*',
               'Accept-Language': 'en-US,en;q=0.8',
               'Cache-Control': 'max-age=0',
               'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36',
               'Connection': 'keep-alive',
               'Referer': 'http://www.baidu.com/'
               }
    for key, value in headers.items():
        desire['phantomjs.page.customHeaders.{}'.format(key)] = value
    driver = webdriver.PhantomJS(desired_capabilities=desire, service_args=['--load-images=yes'])#将yes改成no可以让浏览器不加载图片
    return driver

# 登录
def login():
    driver = get_headers_driver(cookie)
    url = "http://******/login/main.do"
    driver.get(url)
    #获取网页源码
    print(driver.page_source)

 注：模拟回车键代码

# 模拟回车
from selenium.webdriver.common.keys import Keys
driver.find_element_by_xpath("**").send_keys(Keys.ENTER)