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

# 
# ***
# ***
# # 数据抓取
#    > # 使用Selenium操纵浏览器
# 
# ***
# ***
# 
# 王成军 
# 
# wangchengjun@nju.edu.cn
# 
# 计算传播网 http://computational-communication.com
# 
# 

# 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）
# - 测试的并行处理（Selenium Grid）。
# 
# Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。https://www.cnblogs.com/zhaof/p/6953241.html

# 上面我们知道了selenium支持很多的浏览器，但是如果想要声明并调用浏览器则需要：
# https://pypi.org/project/selenium/

# In[3]:


get_ipython().system('pip install selenium')


# ### Webdriver
# - 主要用的是selenium的Webdriver
# - 我们可以通过下面的方式先看看Selenium.Webdriver支持哪些浏览器
# 
# 

# In[4]:


from selenium import webdriver


# In[5]:


help(webdriver) 


# ### 下载和设置Webdriver
# 
# 对于Chrome需要的webdriver下载地址
# 
# http://chromedriver.storage.googleapis.com/index.html
# 
# 需要将webdriver放在系统路径下：
# - 确保anaconda在系统路径名里
# - 把下载的webdriver 放在`Anaconda的bin文件夹`下

# ### PhantomJS
# 
# PhantomJS是一个而基于WebKit的服务端JavaScript API,支持Web而不需要浏览器支持，其快速、原生支持各种Web标准：Dom处理，CSS选择器，JSON等等。PhantomJS可以用用于页面自动化、网络监测、网页截屏，以及无界面测试

# In[6]:


#browser = webdriver.Firefox() # 打开Firefox浏览器
browser = webdriver.Chrome() # 打开Chrome浏览器


# # 访问页面

# In[19]:


from selenium import webdriver

browser = webdriver.Chrome()
 
browser.get("http://music.163.com") 
print(browser.page_source)
#browser.close() 


# # 查找元素
# 单个元素查找

# In[20]:


from selenium import webdriver

browser = webdriver.Chrome()

browser.get("http://music.163.com")
input_first = browser.find_element_by_id("g_search")
input_second = browser.find_element_by_css_selector("#g_search")
input_third = browser.find_element_by_xpath('//*[@id="g_search"]')
print(input_first)
print(input_second)
print(input_third)


# 这里我们通过三种不同的方式去获取响应的元素，第一种是通过id的方式，第二个中是CSS选择器，第三种是xpath选择器，结果都是相同的。
# 

# ## 常用的查找元素方法：
# 
# - find_element_by_name
# - find_element_by_id
# - 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

# In[22]:


# 下面这种方式是比较通用的一种方式：这里需要记住By模块所以需要导入
from selenium.webdriver.common.by import By


# In[23]:


browser = webdriver.Chrome()
browser.get("http://music.163.com")
input_first = browser.find_element(By.ID,"g_search")
print(input_first)
browser.close()


# ## 多个元素查找
# 
# 其实多个元素和单个元素的区别，举个例子：find_elements,单个元素是find_element,其他使用上没什么区别，通过其中的一个例子演示：

# In[24]:


browser = webdriver.Chrome()
browser.get("http://music.163.com")
lis = browser.find_elements_by_css_selector('body')
print(lis)
browser.close() 


# 当然上面的方式也是可以通过导入`from selenium.webdriver.common.by import By` 这种方式实现
# 
# > lis = browser.find_elements(By.CSS_SELECTOR,'.service-bd li')
# 
# 同样的在单个元素中查找的方法在多个元素查找中同样存在：
# - find_elements_by_name
# - find_elements_by_id
# - find_elements_by_xpath
# - find_elements_by_link_text
# - find_elements_by_partial_link_text
# - find_elements_by_tag_name
# - find_elements_by_class_name
# - find_elements_by_css_selector

# ## 元素交互操作
# 对于获取的元素调用交互方法

# In[25]:


from selenium import webdriver
import time
browser = webdriver.Chrome()

browser.get("https://music.163.com/")
input_str = browser.find_element_by_id('srch')
input_str.send_keys("周杰伦")
time.sleep(3) #休眠，模仿人工搜索
input_str.clear()
input_str.send_keys("林俊杰")


# 运行的结果可以看出程序会自动打开Chrome浏览器并打开淘宝输入ipad,然后删除，重新输入MacBook pro，并点击搜索
# 
# Selenium所有的api文档：http://selenium-python.readthedocs.io/api.html#module-selenium.webdriver.common.action_chains

# ## 执行JavaScript
# 这是一个非常有用的方法，这里就可以直接调用js方法来实现一些操作，
# 下面的例子是通过登录知乎然后通过js翻到页面底部，并弹框提示

# In[13]:


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")')


# # 一个例子

# ```pyton
# from selenium import webdriver
# 
# browser = webdriver.Chrome()
# browser.get("https://www.privco.com/home/login") #需要翻墙打开网址
# username = 'fake_username'
# password =  'fake_password'
# browser.find_element_by_id("username").clear()
# browser.find_element_by_id("username").send_keys(username) 
# browser.find_element_by_id("password").clear()
# browser.find_element_by_id("password").send_keys(password)
# browser.find_element_by_css_selector("#login-form > div:nth-child(5) > div > button").click()
# ```

# In[27]:


# url = "https://www.privco.com/private-company/329463"
def download_excel(url):
    browser.get(url)
    name = url.split('/')[-1]
    title = browser.title
    source = browser.page_source
    with open(name+'.html', 'w') as f:
        f.write(source)
    try:
        soup = BeautifulSoup(source, 'html.parser')
        url_new = soup.find('span', {'class', 'profile-name'}).a['href']
        url_excel = url_new + '/export'
        browser.get(url_excel)
    except Exception as e:
        print(url, 'no excel')
        pass
        
    


# In[25]:


urls = [ 'https://www.privco.com/private-company/1135789',
            'https://www.privco.com/private-company/542756',
            'https://www.privco.com/private-company/137908',
            'https://www.privco.com/private-company/137138']


# In[28]:


for k, url in enumerate(urls):
    print(k)
    try:
        download_excel(url)
    except Exception as e:
        print(url, e)