PhantomJS爬虫 -----全国高校查询-------计算机科学与技术前50大学

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能够根据咱们的指令，让浏览器自动加载页面，获取须要的页面，甚至页面截屏，或者判断网站上某些动做是否发生。

Selenium本身不带浏览器，不支持浏览器的功能，它须要与第三方浏览器结合在一块儿才能使用。可是咱们有时候须要让它内嵌在代码中运行，全部咱们而已用一个叫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，由于不会展现图形界面，因此运行起来比完整的浏览器更高效。

若是咱们把Selenium和PhantomJS结合在一块儿，就能够运行一个很是强大的网络爬虫了，这个爬虫能够处理JavaScript、Cookie、headers，以及任何咱们真实用户须要作的事情。

注意：PhantomJS只能从它的网站(http://phantomjs.org/download.html)下载。由于PhantomJS是一个功能完善(虽然无界面)的浏览器而非一个Python库，因此它不须要像Python的其它库同样安装，但咱们能够经过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浏览器建立浏览器对象    
    driver=webdriver.PhantomJs()
若是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彻底加载完，才会继续执行程序，一般测试会在这里选择time.sleep()
　　driver.get('http://www.baidu.com/')

Selenium详解
安装：pip3 install selenium
　　http://phantomjs.org/download.html
selenium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，彻底由JavaScript编写，所以能够用于任何支持JavaScript的浏览器上。
selenium主要是用来作自动化测试，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没法正常获取网页内容的时候
1、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，会致使没法导入
from selenium import webdriver
#webdriver能够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()

2、访问页面并获取网页html
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
print(browser.page_source)#browser.page_source是获取网页的所有html
browser.close()

3、查找元素
单个元素
from selenium import webdriver
browser = 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()
经常使用的查找方法
find_element_by_id
find_element_by_name
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
也可使用通用的方法
from selenium import webdriver
from selenium.webdriver.common.by import By ---这里须要记住By模块因此须要导入
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s
input_first = browser.find_elements_by_id('q')

4、元素交互操做-搜索框传入关键词进行自动搜索
from selenium import webdriver
import time
browser = 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()
更多操做: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.remote.webelement#能够有属性、截图等等

5、交互动做，驱动浏览器进行动做，模拟拖拽动做，将动做附加到动做链中串行执行
from selenium import webdriver
from selenium.webdriver import ActionChains#引入动做链

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()#执行动做
更多操做: http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

6、执行JavaScript
有些动做可能没有提供api，好比进度条下拉，这时，咱们能够经过代码执行JavaScript
from selenium import webdriver
browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
browser.execute_script('alert("To Bottom")')


7、获取元素信息
获取属性
from selenium import webdriver
from selenium.webdriver import ActionChains

browser = 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logo
print(logo)
print(logo.get_attribute('class'))
browser.close()
获取文本值
from selenium import webdriver
browser = 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 webdriver
browser = 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id
print(input.location)#获取位置
print(input.tag_name)#获取标签名
print(input.size)#获取大小
browser.close()

8、Frame操做
frame至关于独立的网页，若是在父类网frame查找子类的，则必须切换到子类的frame，子类若是查找父类也须要先切换
这里经常使用的是switch_to.from()和switch_to.parent_frame()
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException

browser = 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)

9、等待
隐式等待
当使用了隐式等待执行测试的时候，若是 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无当即出现的时候，隐式等待将等待一段时间再查找 DOM，默认的时间是0

from selenium import webdriver

browser = 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知足，若是知足则返回，若是不知足会继续等待，超过期间就会抛出异常
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

browser = 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 全部元素加载出
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，不然返回False
element_located_selection_state_to_be 传入定位元组以及状态，相等返回True，不然返回False
alert_is_present 是否出现Alert

详细内容：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.support.expected_conditions

11、前进后退-实现浏览器的前进后退以浏览不一样的网页back()和forward()
import time
from selenium import webdriver

browser = 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()

12、Cookies操做
get_cookies()
delete_all_cookes()
add_cookie()
from selenium import webdriver

browser = 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 增长浏览器窗口
经过执行js命令实现新开选项卡window.open()
不一样的选项卡是存在列表里browser.window_handles
经过browser.window_handles[0]就能够操做第一个选项卡
import time
from selenium import webdriver

browser = 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')

十3、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 webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.find_element_by_id('hello')

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, NoSuchElementException

browser = 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    

View Code

 

这里咱们运用PhantomJS爬取全国高校查询计算机科学与技术专业前50的学校，而且存入到数据库。

以下图所示

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

 

代码以下

 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_source
19         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 = 1
27             elif major_isKey == '否':
28                 major_isKey = 0
29             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 = 0
32             else:
33                 is_direct = 1
34             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 = 0
37             else:
38                 is_985 = 1
39             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 = 0
42             else:
43                 is_211 = 1
44 
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()

 

结果以下所示: