来写作业了
要使用Selenium和第三方浏览器驱动(如ChromeDriver)来完成搜狐网页的信息爬取,首先需要确保已经安装了Selenium库,并且下载了与你的Chrome浏览器版本相匹配的ChromeDriver。
安装Selenium包和ChromeDriver驱动
安装Selenium库
在命令行输入 pip install Selenium 或在anaconda prompt 中输入conda install Selenium。
安装 chromedriver
先查看chrome浏览器的版本
这里是 123.0.6312.106 版
然后在http://npm.taobao.org/mirrors/chromedriver/或者https://googlechromelabs.github.io/chrome-for-testing/
中下载对应版本的chromediver
由于没有106版的这里下的是122版,试过了也可以。
下载解压后
把exe文件复制到chrome浏览器的安装目录和python的安装目录scripts文件夹下
测试
from selenium import webdriver
browser=webdriver.Chrome()
browser.get('https://www.sohu.com/')
自动打开搜狐网页
代码实现
导入包
import re
import time
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
配置ChromeDriver 的路径并启动浏览器
# 设置 ChromeDriver 的路径
chrome_driver_path = 'D:\浏览器下载内容\chromedriver-win64\chromedriver-win64\chromedriver.exe'
# 创建 Chrome WebDriver
# 创建 Chrome Options 对象
# chrome_options = Options()
# chrome_options.add_argument('--headless') # 无头模式,即不显示浏览器窗口
service = Service(chrome_driver_path)
driver = webdriver.Chrome(service=service)
# 打开搜狐网站
driver.get("https://www.sohu.com/")
time.sleep(2)
获取当前页面的Html源码
html_source = driver.page_source
print("HTML 源码:")
print(html_source)
运行结果
获取当前页面的URL
# 获取当前网页的 URL
current_url = driver.current_url
print("\n当前网页的 URL:")
print(current_url)
运行结果
获取classname为‘txt’的页面元素
# 使用 find_elements 方法查找 class 属性为 'txt' 的元素
txt_elements = driver.find_elements(By.CLASS_NAME, "txt")
print("txt")
# 遍历输出每个元素的文本内容
for element in txt_elements:
print(element.text)
运行结果
获取 标签 属性为 ‘footer’ 的元素文本
# 使用 find_elements 方法查找 标签 属性为 'footer' 的元素
txt_elements = driver.find_elements(By.TAG_NAME, "footer")
print("footer")
# 遍历输出每个元素的文本内容
for element in txt_elements:
print(element.text)
运行结果
获取 class 属性为 ‘titleStyle’ 的元素的文本及href链接
# 使用 find_elements 方法查找 class 属性为 'titleStyle' 的元素
title_elements = driver.find_elements(By.CLASS_NAME, "titleStyle")
# 遍历输出每个元素的文本内容
for element in title_elements:
text = element.text
href = element.get_attribute("href")
print(f"Text: {text}, Href: {href}")
运行结果
获取 xpath 搜狐首页的导航栏标签 及 href链接
# 使用 find_elements 方法查找 xpath 搜狐首页的导航栏标签
title_elements = driver.find_elements(By.XPATH, "/html/body/div[2]/div/nav[@class='nav area']//a")
print("xpath")
# 遍历输出每个元素的文本内容
for element in title_elements:
inner_html = element.get_attribute("innerHTML")
text = re.sub(r'<[^>]*>', '', inner_html).strip()
if text:
href = element.get_attribute("href")
print(f"Text: {text}, Href: {href}")
运行结果
关闭webDriver
# 关闭 WebDriver
driver.close()
driver.quit()
完整代码
import re
import time
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
chrome_driver_path = 'D:\浏览器下载内容\chromedriver-win64\chromedriver-win64\chromedriver.exe'
# 创建 Chrome WebDriver
# # 创建 Chrome Options 对象
# chrome_options = Options()
# chrome_options.add_argument('--headless') # 无头模式,即不显示浏览器窗口
service = Service(chrome_driver_path)
driver = webdriver.Chrome(service=service)
# 打开搜狐网站
driver.get("https://www.sohu.com/")
time.sleep(2)
# 获取当前网页的 HTML 源码
html_source = driver.page_source
print("HTML 源码:")
print(html_source)
# 获取当前网页的 URL
current_url = driver.current_url
print("\n当前网页的 URL:")
print(current_url)
# 使用 find_elements 方法查找 class 属性为 'txt' 的元素
txt_elements = driver.find_elements(By.CLASS_NAME, "txt")
print("txt")
# 遍历输出每个元素的文本内容
for element in txt_elements:
print(element.text)
# 使用 find_elements 方法查找 标签 属性为 'footer' 的元素
txt_elements = driver.find_elements(By.TAG_NAME, "footer")
print("footer")
# 遍历输出每个元素的文本内容
for element in txt_elements:
print(element.text)
# 使用 find_elements 方法查找 标签 属性为 'Keywords' 的元素
# 使用 find_elements 方法查找 class 属性为 'titleStyle' 的元素
title_elements = driver.find_elements(By.CLASS_NAME, "titleStyle")
print("titlestyle")
# 遍历输出每个元素的文本内容
for element in title_elements:
text = element.text
href = element.get_attribute("href")
print(f"Text: {text}, Href: {href}")
# # 使用 find_elements 方法查找 xpath 搜狐首页的导航栏标签
# title_elements = driver.find_elements(By.XPATH, "/html/body/div[2]/div/nav[@class='nav area']//a")
# # 遍历输出每个元素的文本内容
# for element in title_elements:
# text = element.get_attribute("innerHTML").strip()
# if text:
# href = element.get_attribute("href")
# print(f"Text: {text}, Href: {href}")
# 使用 find_elements 方法查找 xpath 搜狐首页的导航栏标签
title_elements = driver.find_elements(By.XPATH, "/html/body/div[2]/div/nav[@class='nav area']//a")
print("xpath")
# 遍历输出每个元素的文本内容
for element in title_elements:
inner_html = element.get_attribute("innerHTML")
text = re.sub(r'<[^>]*>', '', inner_html).strip()
if text:
href = element.get_attribute("href")
print(f"Text: {text}, Href: {href}")
# 关闭 WebDriver
driver.close()
driver.quit()
本文参考这位大佬 原文链接:https://blog.csdn.net/m0_68319844/article/details/137515463