Python实现简单网络爬虫--转自极客头条

Python语言是由Guido van Rossum大牛在1989年发明，它是当今世界最受欢迎的计算机编程语言之一，也是一门“学了有用、学了能用、学会能久用”的计算生态语言。

为此，CSDN作为国内最大的IT中文社区，特向广大Python爱好者开设了Python学习班，帮助大家在学习的道路上少走弯路，事半功倍。在昨天的女神节，我们继续邀请知名的CSDN博客专家杨秀璋老师，在班级里举行博客专家会客厅活动。

杨秀璋：Web数据挖掘/软件工程。研究生阶段从事Web数据挖掘和知识图谱相关的研究，结合Python写了一些Selenium爬虫和数据挖掘的算法。从2013年开始在CSDN写博客，每个月都坚持分享些技术，已完成8个专栏。博客地址：http://blog.csdn.net/Eastmount

下面是杨老师在Python学习班的分享：

非常开心能够认识大家，和大家简单交流些Python相关的基础知识。群里面也有很多大神，我主要结合自己做过的东西，讲解一些Python知识，这节课主要是Python爬虫相关的知识，通过一些实际的简单应用，提升同学们学习Python的兴趣。 
因为是微信授课，讲得不好的地方，还请大家海涵~

前面我讲过：学习Python最重要的地方是通过Python做一些自己喜欢的事情，来提升自己的兴趣，从而学好它，包括Python爬虫、数据分析、自动化测试、网站、GUI游戏等。

网络爬虫

网络爬虫（Web Spider），又被称为网页蜘蛛、网络机器人，它是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。 

常见的Python爬虫工具包括：正则表达式、XPath技术、Selenium、BeautifulSoup、Scrapy等。这节课讲课内容主要是Python安装Selenium并自动爬取相关信息。

Selenium

Selenium也是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。通常用于自动化测试，这里我们是用来作为简单的爬虫。

第一步：安装selenium 
通过cd去到Scripts路径下，调用pip install selenium进行安装 
注意：调用pip或easy_install安装第三方库函数，是常见的Python安装用法。 

第二步：安装Firefox浏览器

第三步：简单访问百度页面

from selenium import webdriver
driver = webdriver.Firefox()
driver.get("http://www.baidu.com")
data = driver.title
print data

其中：webdriver.Firefox()是调用Firefox浏览器，这句话会自动弹出火狐浏览器 
driver.get(url)是调用浏览器后访问某个url页面 
driver中包含一些属性和方法，这里只是输出标题“百度一下，你就知道”

注意：Python导入包的常见语法就是 from xxxx import xxxx 
例如：from sklearn.cluster import Kmeans 
从机器学习sklearn包的聚类cluster中导入Kmeans聚类的方法 
其中Kmeans在cluster中，当然还有其他聚类的方法

from selenium import webdriver
driver = webdriver.Firefox()
driver.get("http://www.baidu.com")
data = driver.title
print data
driver.save_screenshot('baidu.png')  

添加一句代码，复制下载整个页面到本地。

Selenium常见元素定位方法和操作

注意driver下包括很多方法和属性，常见的包括： 
这里有各种策略用于定位网页中的元素(locate elements)，你可以选择最适合的方案，Selenium提供了一下方法来定义一个页面中的元素：

•find_element_by_id
•find_element_by_name
•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

下面是查找多个元素（这些方法将返回一个列表）：

•find_elements_by_name
•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

除了上面给出的公共方法，这里也有两个在页面对象定位器有用的私有方法。这两个私有方法是find_element和find_elements。

例如：

对应的文字：

from selenium import webdriver
driver = webdriver.Firefox()
driver.get("http://www.baidu.com")
data = driver.title
print data
driver.save_screenshot('baidu.png')  

通过id定位元素

word = driver.find_element_by_id('u1')
print word.text

重点方法是分析网站DOM树结构：

这里需要注意，网页通常都是采用树形的形式进行存储的，比如：

我们需要学会右键审查元素，分析对应的界面：