使用Selenium实现动态网页的信息爬取

一、配置环境

（1）下载驱动

1.要使用selenium去调用浏览器，还需要一个驱动，不同浏览器的驱动需要独立安装
selenium官网下载：https://www.selenium.dev/downloads/
Chrome浏览器驱动下载链接：https://npm.taobao.org/mirrors/chromedriver/
2.解压后是exe文件

3.将该文件添加到环境变量PATH下

（2）安装包

1.安装selenium

conda install selenium
pip install selenium

输入命令后输入y回车确认


2.安装webdriver_manager解决webdriver的管理问题

pip install webdriver_manager
conda install webdriver_manager

二、对百度进行自动化测试

1.打开浏览器，进入百度搜索界面

from selenium import webdriver
driver=webdriver.Chrome('D:\\下载软件\\chromedriver_win32\\chromedriver.exe')
#进入网页
driver.get("https://www.baidu.com/")

运行会直接打开一个浏览器并打开百度搜索界面

2.对百度页面右键检查或者点击电脑F12快捷键


可以发现搜索框的id是kw
找到该元素，并填取对应的值

p_input = driver.find_element_by_id("kw")
p_input.send_keys('死妖阿')

同样检查网页找到按钮百度一下的id，为su
点击该按钮

p_btn=driver.find_element_by_id("su")
p_btn.click()

三、爬取指定网页http://quotes.toscrape.com/js/的名言

1.检查网页，发现名言的id是text

2.作者的id是author

3.代码

#爬取指定网页http://quotes.toscrape.com/js/的名言
from bs4 import BeautifulSoup as bs
from selenium import webdriver
import csv
from selenium.webdriver.chrome.options import Options
from tqdm import tqdm#在电脑终端上显示进度，使代码可视化进度加快
from webdriver_manager.chrome import ChromeDriverManager
driver = webdriver.Chrome('D:\\下载软件\\chromedriver_win32\\chromedriver.exe')
driver.get('http://quotes.toscrape.com/js/')
#定义csv表头
quote_head=['名言','作者']
#csv文件的路径和名字
quote_path='C:\\Users\\ASUS-JH\\quote_csv.csv'
#存放内容的列表
quote_content=[]

'''
function_name:write_csv
parameters:   csv_head,csv_content,csv_path
csv_head:     the csv file head
csv_content:  the csv file content,the number of columns equal to length of csv_head
csv_path:     the csv file route
'''
def write_csv(csv_head,csv_content,csv_path):
    with open(csv_path, 'w', newline='') as file:
        fileWriter =csv.writer(file)
        fileWriter.writerow(csv_head)
        fileWriter.writerows(csv_content)
        print('爬取信息成功')

###
#可以用find_elements_by_class_name获取所有含这个元素的集合（列表也有可能）
#然后把这个提取出来之后再用继续提取
quote=driver.find_elements_by_class_name("quote")
#将要收集的信息放在quote_content里
for i in tqdm(range(len(quote))):    
    quote_text=quote[i].find_element_by_class_name("text")
    quote_author=quote[i].find_element_by_class_name("author")
    temp=[]
    temp.append(quote_text.text)
    temp.append(quote_author.text)
    quote_content.append(temp)
write_csv(quote_head,quote_content,quote_path)

4.运行结果：

5.可以发现在路径C:\Users\ASUS-JH\下多了一个quote_csv.csv文件，打开看看

四、Selenium:requests+Selenum爬取京东图书

1.打开京东页面查看页面元素，分析需要爬取信息的标签id，发现id是key

2.而搜索没有id

3.这里是价格，名称，出版社或店铺等的标签

4.代码

from selenium import webdriver
import time
import csv
from tqdm import tqdm#在电脑终端上显示进度，使代码可视化进度加快
from webdriver_manager.chrome import ChromeDriverManager
import csv
driver = webdriver.Chrome('D:\\下载软件\\chromedriver_win32\\chromedriver.exe')
#加载页面
driver.get("https://www.jd.com/")
time.sleep(4)

#定义存放图书信息的列表
goods_info_list=[]
#爬取200本
goods_num=200
#定义表头
goods_head=['价格','名字','链接','出版社或店铺']
#csv文件的路径和名字
goods_path='C:\\Users\\ASUS-JH\\信号与系统.csv'

#向输入框里输入Java
p_input = driver.find_element_by_id("key")
p_input.send_keys('信号与系统')

#button好像不能根据类名直接获取，先获取大的div，再获取按钮
from_filed=driver.find_element_by_class_name('form')
s_btn=from_filed.find_element_by_tag_name('button')
s_btn.click()#实现点击

#获取商品价格、名称、链接、获取出版社或店铺
def get_prince_and_name(goods):
    #直接用css定位元素
    #获取价格
    goods_price=goods.find_element_by_css_selector('div.p-price')
    #获取元素
    goods_name=goods.find_element_by_css_selector('div.p-name')
    #获取链接
    goods_herf=goods.find_element_by_css_selector('div.p-img>a').get_property('href')
    #获取出版社或店铺
    goods_shopnum=goods.find_element_by_css_selector('div.p-shopnum')
    return goods_price,goods_name,goods_herf,goods_shopnum

def  drop_down(web_driver):
    #将滚动条调整至页面底部
    web_driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')
    time.sleep(4)
    
def write_csv(csv_head,csv_content,csv_path):
    with open(csv_path, 'w', newline='') as file:
        fileWriter =csv.writer(file)
        fileWriter.writerow(csv_head)
        fileWriter.writerows(csv_content)
        print('爬取信息成功')
        
#获取爬取一页
def crawl_a_page(web_driver,goods_num):
    #获取图书列表
    drop_down(web_driver)
    goods_list=web_driver.find_elements_by_css_selector('div#J_goodsList>ul>li')
    #获取一个图书的价格、名字、链接、获取出版社或店铺
    for i in tqdm(range(len(goods_list))):
        goods_num-=1
        goods_price,goods_name,goods_herf,goods_shopnum=get_prince_and_name(goods_list[i])
        goods=[]
        goods.append(goods_price.text)
        goods.append(goods_name.text)
        goods.append(goods_herf)
        goods.append(goods_shopnum.text)
        goods_info_list.append(goods)
        if goods_num==0:
            break
    return goods_num

while goods_num!=0:
    goods_num=crawl_a_page(driver,goods_num)
    btn=driver.find_element_by_class_name('pn-next').click()
    time.sleep(1)
write_csv(goods_head,goods_info_list,goods_path)

5.运行结果

6.查看生成文件

五、总结

完成了动态网页的信息爬取，就是爬取的速度比较慢，模拟人去点击网页，还是需要先找到相关元素

六、参考链接

Python+Selenium使用（一）- 自动打开百度并进行搜索

Selenium:requests+Selenum爬取京东所有图书类的数据