手把手教你写网络爬虫（5）：PhantomJS实战

（点击上方公众号，可快速关注）

来源： 拓海

http://www.cnblogs.com/tuohai666/p/8901370.html

本系列：

• 《手把手教你写网络爬虫（1）：网易云音乐歌单》

• 《手把手教你写网络爬虫（2）：迷你爬虫架构》

• 《手把手教你写网络爬虫（3）：开源爬虫框架对比》

• 《手把手教你写网络爬虫（4）：Scrapy入门》

大家好！从今天开始，我要与大家一起打造一个属于我们自己的分布式爬虫平台，同时也会对涉及到的技术进行详细介绍。大家如果有什么好的想法请多留言，多提意见，一起来完善我们的爬虫平台。在正式介绍平台之前，先用一些篇幅对基础篇做一点补充。模拟滚动

这次的目标是爬一个众筹网站的所有项目，项目列表页如下：https://www.kaistart.com/project/more.html。打开后进行分析，页面显示出10个项目：

如果想看到更多项目，并不能像网易云音乐那样点“下一页”翻页，而是需要向下拉滚动条或者向下滚动鼠标滚轮来触发异步请求。爬虫该如何应对这种情况呢？我们可以使用selenium的api执行js代码将屏幕内容滚动到指定位置。

下面这段代码会一直向下滚动项目页，一直到滚不动为止：

# 一直滚动到最底部

js1 = 'return document.body.scrollHeight'

js2 = 'window.scrollTo(0, document.body.scrollHeight)'

old_scroll_height = 0

while browser.execute_script(js1) >= old_scroll_height:

    old_scroll_height = browser.execute_script(js1)

    browser.execute_script(js2)

    time.sleep(1)

scrollTo() 方法可把内容滚动到指定的坐标:

参数	描述
xpos	必需。要在窗口文档显示区左上角显示的文档的 x 坐标。
ypos	必需。要在窗口文档显示区左上角显示的文档的 y 坐标。

这里用到了scrollHeight，它和ClientHeight还有OffsetHeight有什么区别呢？

browser = webdriver.PhantomJs()

url = 'https://www.kaistart.com/project/more.html'

try:

    browser.get(url)

    wait = ui.WebDriverWait(browser, 20)

    wait.until(lambda dr: dr.find_element_by_class_name('project-detail').is_displayed())

 

    # 一直滚动到最底部

    js1 = 'return document.body.scrollHeight'

    js2 = 'window.scrollTo(0, document.body.scrollHeight)'

    old_scroll_height = 0

    while browser.execute_script(js1) >= old_scroll_height:

        old_scroll_height = browser.execute_script(js1)

        browser.execute_script(js2)

        time.sleep(1)

    sel = Selector(text=browser.page_source)

    proj_list = sel.xpath('//li[@class="project-li"]')

browser.save_screenshot(debug.png')

这样就会把图片保存在项目目录，打开看看：

browser = webdriver.Chrome()

再次运行程序，不出所料，Chrome浏览器弹出来，不仅能够正确显示页面，还一直在滚动：

项目全都刷出来了，想爬什么就爬吧！什么？你问我在Linux服务器上怎么爬？纯命令行的那种吗？

from selenium import webdriver

from pyvirtualdisplay import Display

 

display = Display(visible=0, size=(800, 600))

display.start()

driver = webdriver.Chrome()

driver.get("http://www.baidu.com")

print (driver.page_source.encode('utf-8'))

driver.quit()

display.stop()

看完本文有收获？请转发分享给更多人

关注「Python开发者」，提升Python技能