簡介： 用pyhon爬取動態頁面時普通的urllib2無法實現，例如下麵的京東首頁，隨著滾動條的下拉會載入新的內容，而urllib2就無法抓取這些內容，此時就需要今天的主角selenium。 Selenium是一個用於Web應用程式測試的工具。Selenium測試直接運行在瀏覽器中，就像真正的用戶在 ...
簡介：
用pyhon爬取動態頁面時普通的urllib2無法實現，例如下麵的京東首頁，隨著滾動條的下拉會載入新的內容，而urllib2就無法抓取這些內容，此時就需要今天的主角selenium。
Selenium是一個用於Web應用程式測試的工具。Selenium測試直接運行在瀏覽器中，就像真正的用戶在操作一樣。支持的瀏覽器包括IE、Mozilla Firefox、Mozilla Suite等。使用它爬取頁面也十分方便，只需要按照訪問步驟模擬人在操作就可以了，完全不用操心Cookie,Session的處理，它甚至可以幫助你輸入賬戶，密碼，然後點擊登陸按鈕，對於上面的滾動條，你只需要讓瀏覽器滾到到最低端，然後保存頁面就可以了。以上的這些功能在應對一些反爬蟲機制時十分有用。接下來就開始我們的講解正文，帶領大家實現一個需要登錄的動態網頁的爬取。
案例實現：
使用selnium需要選擇一個調用的瀏覽器並下載好對應的驅動，在桌面版可以選擇Chrome,FireFox等，伺服器端可以使用PhantomJS，桌面版可以直接調出來瀏覽器觀察到變化，所以一般我們可以在桌面版用Chrome等調試好之後，將瀏覽器改為PhantomJS然後上傳到伺服器使其運行，這裡我們直接以PhantomJS做演示.
首先時導入模塊：
1 from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
2 from selenium import webdriver
接下來時初始化一個瀏覽器，參數中可以指定載入網頁的一些屬性：
1 cap = webdriver.DesiredCapabilities.PHANTOMJS
2 cap["phantomjs.page.settings.resourceTimeout"] = 180
3 cap["phantomjs.page.settings.loadImages"] = False
4
5 driver = webdriver.PhantomJS(executable_path="/home/gaorong/phantomjs-2.1.1-linux-x86_64/bin/phantomjs", desired_capabilities=cap)
上面初始了PhantomJS並設置了瀏覽器的路徑，載入屬性選擇了資源載入超時時間和不載入圖片（我們只關心網頁文本）。在 這裡 還可以選擇其他設置。
設置一些屬性，並下載一個網頁
1 driver.set_page_load_timeout(180)
2 driver.get('https://otx.alienvault.com/accounts/login/')
3 time.sleep(5)
4 driver.save_screenshot('./login.png') #為便於調試，保存網頁的截圖
由於在伺服器端運行難免出錯，可以用save_screenshot保存當前網頁的頁面便於調試。
接下來就是輸入賬戶和密碼登陸，以獲取網站的Cookies，便於後面請求。
1 #輸入username和password
2 driver.find_element_by_xpath("/html/body/div[1]/div[1]/login/div[2]/div/form/input[1]").send_keys('*****')
3 time.sleep(1)
4 print 'input user success!!!'
5
6 driver.find_element_by_xpath("/html/body/div[1]/div[1]/login/div[2]/div/form/input[2]").send_keys('****')
7 time.sleep(1)
8 print 'input password success!!!'
9
10 driver.find_element_by_xpath("/html/body/div[1]/div[1]/login/div[2]/div/form/button").click()
11 time.sleep(5)
上面代碼使用find_element_by_xpath獲取輸入框的位置後輸入賬戶和密碼並點擊登陸鍵，可以看到一些都很方便。它會自動跳轉到下一個頁面，我們只需要sleep幾秒等待它。
我們需要爬取的網頁信息在某個特定的element里，所以我們需要判斷一下這個element是否出現：
1 try:
2 element = WebDriverWait(driver, 10).until(
3 EC.presence_of_element_located((By.CLASS_NAME, 'pulses'))
4 )
5 print 'find element!!!'
6 except:
7 print 'not find element!!!'
8 print traceback.format_exc()
9 driver.quit()
上面判斷 class為 'pulse' 這個element是否出現，如果等待10s後還未出現，則selenum會爆出TimeoutError錯誤。
上面就進行了基本的初始化，然後就需要處理動態的內容了，這個網頁像京東一樣會隨著下拉自動出現內容，所以我們需要實現下拉滾動條：
1 print 'begin scroll to get info page...'
2 t1 = time.time()
3 n = 60 #這裡可以控制網頁滾動距離
4 for i in range(1,n+1):
5 s = "window.scrollTo(0,document.body.scrollHeight/{0}*{1});".format(n,i)
6 #輸出滾動位置，網頁大小，和時間
7 print s, len(driver.page_source),time.time()-t1
8 driver.execute_script(s)
9 time.sleep(2)
其中driver.page_source就是獲取網頁文本。當滾動完畢後我們就可以調用它然後寫到一個文件里。這樣就完成了這個的程式邏輯。
高級：
用selenim可以應對常見的反爬蟲策略，因為相當於一個人在瀏覽網頁，但是對於驗證碼這些還需要做額外的處理，還有一點就是訪問速度不能過快，畢竟他需要調用一個瀏覽器，如果嫌他速度慢的話我們可以在必要的時候使用他，非必要時候可以使用requests庫進行操作。
這裡有兩篇博客大家可以參考查閱：Python爬蟲利器五之Selenium用法 和 常用函數
同時還有一個Selenum IDE可以進行腳本錄製及案例轉換，我想大家在生活中都可以用得著，參見這裡
