爬虫第一步,观察网站
发现是动态渲染页面的网站,使用selenuim,因为所见即所得,太快乐了。再看看页面的结构发现这是一个需要点击更换条目爬取的,而且有两层子页面。
所以待解决的问题如下:
1. 如何实现点击更换条目
2. 如何实现子页面的爬取
爬虫第二步,使用selenuim
涉及的包有:
from selenium import webdriver
from selenium.webdriver.common.by import By #配合等待使用
from selenium.webdriver.support import expected_conditions as EC #配合等待使用
from selenium.webdriver.support.wait import WebDriverWait #等待页面更新
from selenium.webdriver import ActionChains #动作链,没有用到
1.实现点击更换目录
url = '' #输入你要爬取的页面
#不弹出浏览器
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(options=chrome_options)
browser.get(ur)
wait = WebDriverWait(browser, 10)
browser.switch_to.frame('') #切换子页面,输入frame的id或者name
tree = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, ''))) #输入点击css选择器
tree.click() #实现点击效果
2.切换子页面
browser.switch_to.frame('') #切换子页面,输入frame的id或者name
point = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '')))
browser.switch_to.parent_frame() #切回上一层页面
注意事项:
1. selenium是所见即所得,所以如果有点击展开选框等,需要操作而不是一开始就呈现出来的页面,需要写一定的页面交互代码(就是点击操作等),否则selenium是找不到的。
2. 由于有些页面加载很慢,所以显示等待是很有必要的。
3. 使用chrome,控制台获取页面代码,一开始呈现出来的就是presence_of_element_located()可以获取的。
4. 控制台处,鼠标右键copy->copy-selector获得css选择器能找到的内容,不用自己输入了。