說到python爬蟲，剛開始主要用urllib庫，雖然接口比較繁瑣，但也能實現基本功能。等見識了requests庫的威力后，便放棄urllib庫，并且也不打算回去了。但對一些動態加載的網站，經常要先分析請求，再用requests模擬，比較麻煩。直到遇到了selenium庫，才發現爬動態網頁也可以這么簡單，果斷入坑！
selenium是python的一個第三方自動化測試庫，雖然是測試庫，卻也非常適合用來寫爬蟲，而phantomJS是其子包webdriver下面的一個瀏覽器。phantomJS本身是一個無頭瀏覽器（headless browser），也稱無界面瀏覽器。可以在通過官網下載運行phantomjs.exe，簡單幾行代碼也能訪問網頁，爬取數據。但本文主要討論通過python的selenium庫使用phantomJS。除了phantomJS瀏覽器，webdriver還整合了Chrome、Firefox、IE等瀏覽器，并提供了操作這些瀏覽器的接口。
由于phantomJS是無界面瀏覽器，不需要界面的同時占用的內存也相對較小，更適用于大規模多進程爬數據（試想，如果開幾十個Chrome進程爬數據，那真是內存噩夢！）。本文主要討論使用selenium phantomJS過程中遇到的bug，而不是selenium phantomJS使用教程，有需要了解selenium基本用法的同學，請移步官方文檔。
個人用phantomJS爬數據有一段時間了，爬蟲程序也大致完工了，過程中遇到了很多坑，統一總結如下。
1. 查看phantomJS文檔
前面提到，phantomJS是selenium子包webdriver下面多個瀏覽器中的一個，而selenium包對不同的瀏覽器都提供了統一的接口，所以直接查看selenium的官方文檔即可，也有對應的中文文檔。文檔內容不多，但很全面。遇到不懂的問題，先看文檔肯定沒錯。
這里需要注意的是，百度搜索phantomJS得到的結果只是phantomJS的官方文檔，而phantomJS是一個獨立的無界面瀏覽器，也稱JS模擬器，本來就獨立于python。我們需要的是phantomJS的python接口，也就是通過python調用phantomJS，所以只需查看selenium的webdriver文檔。
當然，官方文檔很全面，但也相對繁雜。python有個查看文檔的小技巧，直接使用help()就能查看某個對象的幫助文檔。比如help(driver)即可直接查看driver這個對象的文檔，包括其內部函數、變量的說明。如果driver是一個phantomJS對象，那么會顯示phantomJS瀏覽器對象的函數和變量的文檔，具體內容和官方文檔一樣。對所有的python對象都可以這樣干，非常便捷。似乎現在各種IDE也有這個功能：當鼠標懸停在某個對象上，就顯示該對象的幫助文檔。不過多掌握個方法總歸沒錯。
2. phantomJS的配置問題
selenium官方文檔中，phantomJS對象的幫助文檔很詳細，但當涉及phantomJS瀏覽器的配置，比如user-agent偽裝、代理、超時返回等選項時，有用的信息就非常少了。結合網上的資料和自己遇到的各種坑，我總結了常用的phantomJS配置選項，對普通的爬蟲來說，應該夠用了。
from selenium import webdriver
# 引入配置對象DesiredCapabilities
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
dcap = dict(DesiredCapabilities.PHANTOMJS)
#從USER_AGENTS列表中隨機選一個瀏覽器頭，偽裝瀏覽器
dcap["phantomjs.page.settings.userAgent"] = (random.choice(USER_AGENTS))
# 不載入圖片，爬頁面速度會快很多
dcap["phantomjs.page.settings.loadImages"] = False
# 設置代理
service_args = ['--proxy=127.0.0.1:9999','--proxy-type=socks5']
#打開帶配置信息的phantomJS瀏覽器
driver = webdriver.PhantomJS(phantomjs_driver_path, desired_capabilities=dcap,service_args=service_args)
# 隱式等待5秒，可以自己調節
driver.implicitly_wait(5)
# 設置10秒頁面超時返回，類似于requests.get()的timeout選項，driver.get()沒有timeout選項
# 以前遇到過driver.get(url)一直不返回，但也不報錯的問題，這時程序會卡住，設置超時選項能解決這個問題。
driver.set_page_load_timeout(10)
# 設置10秒腳本超時時間
driver.set_script_timeout(10)
3. phantomJS的并發問題
phantomJS爬數據比較慢，并發編程幾乎是必選項。最初，我考慮采用多線程/協程的方式，畢竟對于這種IO密集型的程序，多線程/協程比較合適。但多次測試下來，程序卻遇到各種問題，有時能成功運行，有時卻不能。嘗試將phantomJS改成Chrome，程序居然能正常運行，這基本確定是phantomJS的鍋了。所以，如果需要并發編程提高效率，用Chrome比較好，雖然內存占用相對較多，況且經下面簡友提醒，在沒界面的主機上也可以跑Chrome，那自然更好了。
在網上仔細查找了相關資料（這玩意的中文資料極少，只能去國外技術論壇潛水），原來phantomJS本身在多線程方面還有很多bug，建議使用多進程，具體什么原因有時間再去了解。
關于多進程，推薦使用multiprocessing庫，簡潔、高效！下面幾行代碼便實現了多進程并發。
from multiprocessing import Pool
pool = Pool(8)
data_list = pool.map(get, url_list)
pool.close()
pool.join()
4. phantomJS進程不自動退出問題
話說，一開始我寫好程序后，先在本地測試了一段時間，確認程序各方面都沒問題后，直接扔阿里云主機上跑了。過了一段時間，查了下程序運行日志，很好，一切如常。于是我就高高興興地摸魚去了。
第二天準備登錄主機驗收程序時，卻發現居然無法登錄！啥，無法登錄？難不成這個小爬蟲程序還能把主機搞崩？我先在阿里云后臺查看了主機的運行日志，發現主機的內存使用越來越高，應該是內存耗盡后，強制關機了。似乎是程序沒有回收內存，導致占用的內存越來越大。明確大致原因后，就是痛苦的查bug過程了。
由于bug涉及內存的使用，我自然地想到了用top命令查看進程的內存使用情況。先運行程序，然后運行top命令，實時檢測程序的內存使用情況。一開始程序占用內存在正常范圍，只有一個phantomJS進程在運行，似乎沒有什么不對。但隨著時間的增長，內存中居然同時有好幾個phantomJS進程在運行，內存所剩空間越來越小！但根據程序的邏輯，任何時候都只有一個phantomJS進程在爬數據。我意識到可能是由于phantomJS進程沒有正常關閉，所以在內存中駐留的phantomJS進程越來越多，最終吃光了內存。
帶著這個問題，我重新檢查了一次代碼，尤其在程序異常退出的地方。最終找到了類似下面的代碼：
try:
self.driver.get(url)
self.wait_()
return True
except Exception as e:
return False
程序的邏輯是：如果在打開url的過程中報錯，那么就返回False，反之返回True。
似乎直接return False的處理太粗心了。我嘗試著在return False前加上一行self.driver.quit()。再次運行程序，并用top查看內存使用情況，發現程序的內存使用一直都在正常范圍內，并沒有出現多個phantomJS進程的情況，問題搞定！后面在網上找到的資料也證實了我的猜想：主程序退出后，selenium不保證phantomJS也成功退出，最好手動關閉phantomJS進程。
5. 其他問題
5.1 不同frame間的轉換
有時，phantomJS獲得的頁面源碼的確存在某元素，但通過find_element_by_xpath()等定位函數卻無法獲得該元素對象，總是提示“元素不存在”的錯誤。遇到這種情況，除了檢查元素節點路徑是否正確外，還應該分析頁面源碼，檢查元素是否被包裹在一個特定的frame中，如果是后者，那么在使用查找函數前，需要額外的處理。
比如網頁源碼中有如下代碼:
<iframe id="topmenuFrame" width="100%" scrolling="no" height="100%" src="topmenu.aspx?>
<div id="haha">text</div>
</iframe>
假如你想要獲取id="haha"的div標簽，直接通過driver.find_element_by_id('haha')就會提示“元素不存在“的錯誤。
這時需要使用driver.switch_to_frame(driver.find_element_by_id``("topmenuFrame"))，即先進入id為topmenuFrame的frame，然后再執行driver.find_element_by_id("haha")，就能正確獲得該元素了。
需要注意的是，切換到這個frame之后，只能訪問當前frame的內容，如果想要回到默認的內容范圍，相當于默認的frame，還需要使用driver.switch_to_default_content()。
頁面中有多個frame時，要注意frame之間的切換。
5.2 implicit_wait、WebDriverWait不一定靠譜
宿舍哥們用phantomJS爬數據時，遇到了一個匪夷所思的bug。起初，他寫了個很簡單的程序，從個方面來看都沒問題，但實際運行卻提示各種錯誤，讓人十分費解。折騰大半天之后，他直接注釋掉自己不太熟悉的implicit_wait()，改用time.sleep()作延時，程序居然就能正確運行了！原來implicit_wait()有bug。同樣的，對于WebDriverWait，大家使用時也要特別注意。
看來python的selenium庫不是很成熟，還存在一些問題，一些函數的實際運行情況并不是預期的那樣，在查bug時，要留意這些問題。
6. 總結
總的來說，selenium庫簡單，容易上手，是爬動態網頁的殺手級武器，但對phantomJS瀏覽器的支持還不是特別完善。當然，了解存在的問題，并找到對應的解決方法，就能發揮phantomJS的威力了。
以上就是我個人這段時間的phantomJS使用小結，雖然不是很全面，也不確保完全準確，算是對我這段學習歷程的總結吧，希望對大家有用。
