如何使用 Python、Selenium 和 PhantomJS 下载文件

Question

这是我的情况：我必须登录一个网站并从那里下载一个 CSV，从 linux 服务器无头。页面使用JS，没有它就无法工作。

经过一些研究，我选择了 Selenium 和 PhantomJS。 登录、设置 CSV 的参数、找到 Selenium/PhantomJS/Py3 的下载按钮都没有问题，实际上非常愉快。

但是点击下载按钮并没有做任何事情。经过一番研究，我发现 PhantomJS 似乎不支持下载对话框和下载，但它在即将推出的功能列表中。

所以在我发现下载按钮只是调用 REST API Url 之后，我想我使用 urllib 的解决方法。问题是，它仅在您登录该站点时才有效。 所以第一次尝试失败了，因为它返回了：b'{"success":false,"session":"expired"}'，这是有道理的，因为我希望 Selenium 和 urllib 使用不同的会话。 所以我想我在 urrlib 中使用 Seleniums 驱动程序的标头尝试这个：

...
url = 'http://www.foo.com/api/index'
data = urllib.parse.urlencode({
        'foopara': 'cadbrabar',
    }).encode('utf-8')
headers = {}
for cookie in driver.get_cookies():
    headers[cookie['name']] = cookie['value']
req = urllib.request.Request(url, data, headers)
with urllib.request.urlopen(req) as response:
    page = response.read()
driver.close()

不幸的是，这产生了与过期会话相同的结果。我做错了什么，有没有办法解决这个问题，其他建议还是我陷入了死胡同？提前致谢。

Answer 1

我找到了一个解决方案并想分享它。 一个要求发生了变化，我不再使用PhantomJS，而是使用chromedriver，它与虚拟帧缓冲区无头工作。同样的结果，它完成了工作。

---

你需要的是：

pip install selenium pyvirtualdisplay

apt-get install xvfb

下载ChromeDriver

---

我使用 Py3.5 和来自 ovh.net 的带有标签而不是按钮的测试文件。 脚本等待 出现在页面上，然后单击它。如果您不等待元素并且在异步站点上，则您尝试单击的元素可能还不存在。下载位置是相对于脚本位置的文件夹。如果文件已经下载了第二个延迟，脚本会检查该目录。如果我没记错的话，文件在下载过程中应该是 .part 并且一旦它变成filename 中指定的 .dat，脚本就会完成。如果在下载之前关闭虚拟帧缓冲区和驱动程序将无法完成。 完整的脚本如下所示：

# !/usr/bin/python
# coding: utf-8

import os
import sys
import time
from pyvirtualdisplay import Display
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import glob


def main(argv):
    url = 'http://ovh.net/files'
    dl_dir = 'downloads'
    filename = '1Mio.dat'

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

    chrome_options = webdriver.ChromeOptions()
    dl_location = os.path.join(os.getcwd(), dl_dir)

    prefs = {"download.default_directory": dl_location}
    chrome_options.add_experimental_option("prefs", prefs)
    chromedriver = "./chromedriver"
    driver = webdriver.Chrome(executable_path=chromedriver, chrome_options=chrome_options)

    driver.set_window_size(800, 600)
    driver.get(url)
    WebDriverWait(driver, 30).until(EC.presence_of_element_located((By.XPATH, '//a[@href="' + filename + '"]')))

    hyperlink = driver.find_element_by_xpath('//a[@href="' + filename + '"]')
    hyperlink.click()

    while not(glob.glob(os.path.join(dl_location, filename))):
        time.sleep(1)

    driver.close()
    display.stop()

if __name__ == '__main__':
    main(sys.argv)

我希望这对将来的某人有所帮助。

Answer 2

如果您要下载的按钮有文件链接，您可以使用python代码测试下载它，因为PhantonJs本身不支持下载。因此，如果您的下载按钮未提供文件链接，则您无法进行测试。

要使用文件链接和 phyton 进行测试（断言该文件存在），您可以关注此主题。由于我是 C# 开发人员和测试人员，我不知道用 python 编写代码没有错误的更好方法，但我相信你可以：

Basic http file downloading and saving to disk in python?

Answer 3

我最近使用 Selenium 来利用 ChromeDriver 从 Web 下载文件。这是有效的，因为 Chrome 会自动下载文件并将其存储在下载文件中。这比使用 PhantomJS 更容易。

我建议考虑将 ChromeDriver 与 Selenium 一起使用并走这条路：https://github.com/SeleniumHQ/selenium/wiki/ChromeDriver

编辑 - 如下所述，我忽略了如何设置 ChromeDriver 以在无头模式下运行。这里有更多信息：http://www.chrisle.me/2013/08/running-headless-selenium-with-chrome/

或者： https://gist.github.com/chuckbutler/8030755

Answer 4

你可以试试这样的：

from requests.auth import HTTPBasicAuth
import requests

url = "http://some_site/files?file=file.csv"  # URL used to download file
#  GET-request to get file content using your web-site's credentials to access file
r = requests.get(url, auth=HTTPBasicAuth("your_username", "your_password"))
#  Saving response content to file on your computer
with open("path/to/folder/to/save/file/filename.csv", 'w') as my_file:
    my_file.write(r.content)