Selenium是一个Web的自动化测试工具，最初是为网站自动化测试而开发的，
Selenium可以根据我们的指令，让浏览器自动加载页面，获取需要的页面，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，所有我们而已用一个叫PhantomJS的工具代替真实的浏览器。
PhantomJS是一个基于Webkit的"无界面"(headless)浏览器，它会把网站加载到内存并执行页面上的JavaScript，因为不会展示图形界面，所以运行起来比完整的浏览器更高效。
如果我们把Selenium和PhantomJS结合在一起，就可以运行一个非常强大的网络爬虫了，这个爬虫可以处理JavaScript、Cookie、headers，以及任何我们真实用户需要做的事情。
注意：PhantomJS只能从它的网站(http://phantomjs.org/download.html)下载。因为PhantomJS是一个功能完善(虽然无界面)的浏览器而非一个Python库，所以它不需要像Python的其它库一样安装，但我们可以通过Selenium调用PhantomJS来直接使用PhantomsJS官方才考文档：http://phantomjs.org/documention
Selenium和PhantomJS 拓展详解
导入webdriver---->from selenium import webdriver调用环境变量指定的phantomjs浏览器创建浏览器对象 ???????driver=webdriver.PhantomJs()如果没有在坏境变量指定phantomjs位置则:driver=webdriver.PhantomJs(executable_path=‘./phantomJs‘))get方法会一直等到页面完全加载完，才会继续执行程序，通常测试会在这里选择time.sleep() driver.get(‘http://www.baidu.com/‘)Selenium详解安装：pip3 install selenium http://phantomjs.org/download.htmlselenium用法详解selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。selenium主要是用来做自动化测试，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。模拟浏览器进行网页加载，当requests,urllib无法正常获取网页内容的时候一、声明浏览器对象注意点一，Python文件名或者包名不要命名为selenium，会导致无法导入from selenium import webdriver#webdriver可以认为是浏览器的驱动器，要驱动浏览器必须用到webdriver，支持多种浏览器，这里以Chrome为例browser = webdriver.Chrome()二、访问页面并获取网页htmlfrom selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.taobao.com‘)print(browser.page_source)#browser.page_source是获取网页的全部htmlbrowser.close()三、查找元素单个元素from selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.taobao.com‘)input_first = browser.find_element_by_id(‘q‘)input_second = browser.find_element_by_css_selector(‘#q‘)input_third = browser.find_element_by_xpath(‘//*[@id="q"]‘)print(input_first,input_second,input_third)browser.close()常用的查找方法find_element_by_idfind_element_by_namefind_element_by_xpathfind_element_by_link_textfind_element_by_partial_link_textfind_element_by_tag_namefind_element_by_class_namefind_element_by_css_selector也可以使用通用的方法from selenium import webdriverfrom selenium.webdriver.common.by import By ---这里需要记住By模块所以需要导入browser = webdriver.Chrome()browser.get(‘https://www.taobao.com‘)input_first = browser.find_element(BY.ID,‘q‘)#第一个参数传入名称，第二个传入具体的参数print(input_first)browser.close()多个元素，elements多个sinput_first = browser.find_elements_by_id(‘q‘)四、元素交互操作-搜索框传入关键词进行自动搜索from selenium import webdriverimport timebrowser = webdriver.Chrome()browser.get(‘https://www.taobao.com‘)input = browser.find_element_by_id(‘q‘)#找到搜索框input.send_keys(‘iPhone‘)#传送入关键词time.sleep(5)input.clear()#清空搜索框input.send_keys(‘男士内裤‘)button = browser.find_element_by_class_name(‘btn-search‘)#找到搜索按钮button.click()更多操作: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement#可以有属性、截图等等五、交互动作，驱动浏览器进行动作，模拟拖拽动作，将动作附加到动作链中串行执行from selenium import webdriverfrom selenium.webdriver import ActionChains#引入动作链browser = webdriver.Chrome()url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘browser.get(url)browser.switch_to.frame(‘iframeResult‘)#切换到iframeResult框架source = browser.find_element_by_css_selector(‘#draggable‘)#找到被拖拽对象target = browser.find_element_by_css_selector(‘#droppable‘)#找到目标actions = ActionChains(browser)#声明actions对象actions.drag_and_drop(source, target)actions.perform()#执行动作更多操作: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains六、执行JavaScript有些动作可能没有提供api，比如进度条下拉，这时，我们可以通过代码执行JavaScriptfrom selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.zhihu.com/explore‘)browser.execute_script(‘window.scrollTo(0, document.body.scrollHeight)‘)browser.execute_script(‘alert("To Bottom")‘)七、获取元素信息获取属性from selenium import webdriverfrom selenium.webdriver import ActionChainsbrowser = webdriver.Chrome()url = ‘https://www.zhihu.com/explore‘browser.get(url)logo = browser.find_element_by_id(‘zh-top-link-logo‘)#获取网站logoprint(logo)print(logo.get_attribute(‘class‘))browser.close()获取文本值from selenium import webdriverbrowser = webdriver.Chrome()url = ‘https://www.zhihu.com/explore‘browser.get(url)input = browser.find_element_by_class_name(‘zu-top-add-question‘)print(input.text)#input.text文本值browser.close()# 获取Id，位置，标签名，大小from selenium import webdriverbrowser = webdriver.Chrome()url = ‘https://www.zhihu.com/explore‘browser.get(url)input = browser.find_element_by_class_name(‘zu-top-add-question‘)print(input.id)#获取idprint(input.location)#获取位置print(input.tag_name)#获取标签名print(input.size)#获取大小browser.close()八、Frame操作frame相当于独立的网页，如果在父类网frame查找子类的，则必须切换到子类的frame，子类如果查找父类也需要先切换这里常用的是switch_to.from()和switch_to.parent_frame()from selenium import webdriverfrom selenium.common.exceptions import NoSuchElementExceptionbrowser = webdriver.Chrome()url = ‘http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable‘browser.get(url)browser.switch_to.frame(‘iframeResult‘)source = browser.find_element_by_css_selector(‘#draggable‘)print(source)try: ???logo = browser.find_element_by_class_name(‘logo‘)except NoSuchElementException: ???print(‘NO LOGO‘)browser.switch_to.parent_frame()logo = browser.find_element_by_class_name(‘logo‘)print(logo)print(logo.text)九、等待隐式等待当使用了隐式等待执行测试的时候，如果 WebDriver没有在 DOM中找到元素，将继续等待，超出设定时间后则抛出找不到元素的异常,换句话说，当查找元素或元素并没有立即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0from selenium import webdriverbrowser = webdriver.Chrome()browser.implicitly_wait(10)#等待十秒加载不出来就会抛出异常，10秒内加载出来正常返回browser.get(‘https://www.zhihu.com/explore‘)input = browser.find_element_by_class_name(‘zu-top-add-question‘)print(input)显式等待指定一个等待条件，和一个最长等待时间，程序会判断在等待时间内条件是否满足，如果满足则返回，如果不满足会继续等待，超过时间就会抛出异常from selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as ECbrowser = webdriver.Chrome()browser.get(‘https://www.taobao.com/‘)wait = WebDriverWait(browser, 10)input = wait.until(EC.presence_of_element_located((By.ID, ‘q‘)))button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ‘.btn-search‘)))print(input, button)title_is 标题是某内容title_contains 标题包含某内容presence_of_element_located 元素加载出，传入定位元组，如(By.ID, ‘p‘)visibility_of_element_located 元素可见，传入定位元组visibility_of 可见，传入元素对象presence_of_all_elements_located 所有元素加载出text_to_be_present_in_element 某个元素文本包含某文字text_to_be_present_in_element_value 某个元素值包含某文字frame_to_be_available_and_switch_to_it frame加载并切换invisibility_of_element_located 元素不可见element_to_be_clickable 元素可点击staleness_of 判断一个元素是否仍在DOM，可判断页面是否已经刷新element_to_be_selected 元素可选择，传元素对象element_located_to_be_selected 元素可选择，传入定位元组element_selection_state_to_be 传入元素对象以及状态，相等返回True，否则返回Falseelement_located_selection_state_to_be 传入定位元组以及状态，相等返回True，否则返回Falsealert_is_present 是否出现Alert详细内容：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions十一、前进后退-实现浏览器的前进后退以浏览不同的网页back()和forward()import timefrom selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.baidu.com/‘)browser.get(‘https://www.taobao.com/‘)browser.get(‘https://www.python.org/‘)browser.back()time.sleep(1)browser.forward()browser.close()十二、Cookies操作get_cookies()delete_all_cookes()add_cookie()from selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.zhihu.com/explore‘)print(browser.get_cookies())browser.add_cookie({‘name‘: ‘name‘, ‘domain‘: ‘www.zhihu.com‘, ‘value‘: ‘germey‘})print(browser.get_cookies())browser.delete_all_cookies()print(browser.get_cookies())选项卡管理 增加浏览器窗口通过执行js命令实现新开选项卡window.open()不同的选项卡是存在列表里browser.window_handles通过browser.window_handles[0]就可以操作第一个选项卡import timefrom selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.baidu.com‘)browser.execute_script(‘window.open()‘)print(browser.window_handles)browser.switch_to_window(browser.window_handles[1])browser.get(‘https://www.taobao.com‘)time.sleep(1)browser.switch_to_window(browser.window_handles[0])browser.get(‘http://www.fishc.com‘)十三、异常处理这里的异常比较复杂，官网的参考地址：http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions这里只进行简单的演示，查找一个不存在的元素from selenium import webdriverbrowser = webdriver.Chrome()browser.get(‘https://www.baidu.com‘)browser.find_element_by_id(‘hello‘)from selenium import webdriverfrom selenium.common.exceptions import TimeoutException, NoSuchElementExceptionbrowser = webdriver.Chrome()try: ???browser.get(‘https://www.baidu.com‘)except TimeoutException: ???print(‘Time Out‘)try: ???browser.find_element_by_id(‘hello‘)except NoSuchElementException: ???print(‘No Element‘)finally: ???browser.close()# 详细文档：http://selenium-python.readthedocs.io/api.html#module-selenium.common.exceptions ???这里我们运用PhantomJS爬取全国高校查询计算机科学与技术专业前50的学校，并且存入到数据库。
如下图所示
对重点专业：是、否进行处理
教育部直属、985大学、211大学标签使用beautiful soup 进行处理
代码如下
1 # -*- coding:utf-8 -*- 2 # author:zxy 3 # date:2019-2-5 4 ?5 from bs4 import BeautifulSoup 6 from selenium import webdriver 7 import re 8 from c_Study import conn 9 10 11 def main():12 ????driver_path = r‘C:\Program Files\phantomjs-2.1.1-windows\bin\phantomjs.exe‘13 ????driver = webdriver.PhantomJS(executable_path=driver_path)14 ????for i in range(1, 6, 1):15 ????????url = ‘https://gkcx.eol.cn/soudaxue/querySchoolSpecialty.html?&argspecialtyname=%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6%E4%B8%8E%E6%8A%80%E6%9C%AF&argzycengci=%E6%9C%AC%E7%A7%91&page=‘ 16 ??????????????+ str(i)17 ????????driver.get(url)18 ????????data = driver.page_source19 ????????dfcontent = BeautifulSoup(data, ‘lxml‘)20 ????????trs = dfcontent.find_all(‘tr‘)[1:]21 ????????for tr in trs:22 ????????????college_name = tr.find_all(‘td‘)[0].string ?# 大学名称23 ????????????college_major = tr.find_all(‘td‘)[1].string ?# 专业名称24 ????????????major_isKey = tr.find_all(‘td‘)[2].string ?# 是否重点专业25 ????????????if major_isKey == "是":26 ????????????????major_isKey = 127 ????????????elif major_isKey == ‘否‘:28 ????????????????major_isKey = 029 ????????????is_direct = tr.find_all(‘td‘)[3] ?# 是否教育部直属30 ????????????if is_direct.find(attrs={‘style‘: re.compile(‘.*?#CCCCCC;.*?‘)}):31 ????????????????is_direct = 032 ????????????else:33 ????????????????is_direct = 134 ????????????is_985 = tr.find_all(‘td‘)[4] ?# 是否985大学35 ????????????if is_985.find(attrs={‘style‘: re.compile(‘.*?#CCCCCC;.*?‘)}):36 ????????????????is_985 = 037 ????????????else:38 ????????????????is_985 = 139 ????????????is_211 = tr.find_all(‘td‘)[5] ?# 是否211大学40 ????????????if is_211.find(attrs={‘style‘: re.compile(‘.*?#CCCCCC;.*?‘)}):41 ????????????????is_211 = 042 ????????????else:43 ????????????????is_211 = 144 45 ????????????conn.insert_into_db(‘colleges‘, college_name, college_major, major_isKey, is_direct, is_direct, is_211)46 if __name__ == ‘__main__‘:47 ????main() 1 # -*- coding:utf-8 -*- 2 # author:zxy 3 # Date:2019-2-5 4 # Update: 5 import pymysql 6 ?7 ?8 ?9 def insert_into_db(dbname,*args):10 ????db = pymysql.Connect("localhost", ‘root‘, ‘pwd‘, "dbname")11 ????sql = "insert into "+dbname+"(name, major, major_isKey, is_direct,is_985,is_211) values (%s, %s, %s, %s, %s, %s);"12 ????cur = db.cursor()13 ????try:14 ????????cur.execute(sql, args)15 ????????db.commit()16 ????except:17 ????????db.rollback()结果如下所示:
PhantomJS爬虫 -----全国高校查询-------计算机科学与技术前50大学
原文地址：https://www.cnblogs.com/z-712/p/10353189.html