环境准备
在开始编写代码之前,请确保你的Python环境中已经安装了selenium
和beautifulsoup4
库。同时,你还需要下载并配置Microsoft Edge WebDriver,因为我们将使用Edge浏览器来模拟用户的网页访问行为。WebDriver的路径需要根据你的系统环境进行设置。
-
安装Selenium和BeautifulSoup:
-
pip install selenium beautifulsoup4
-
下载并配置Edge WebDriver:下载链接(注意选择与你的Edge浏览器版本相匹配的WebDriver)
编写代码
以下是一个简洁的Python脚本,用于从中国散文网(或其他类似网站)爬取纯文本段落,并将它们保存到TXT文件中。
from selenium import webdriver
from selenium.webdriver.edge.service import Service
from bs4 import BeautifulSoup
import os
# 指定Edge WebDriver的路径
edge_service = Service(executable_path='C:\\Users\\LENOVO\\Desktop\\爬虫\\实验\\msedgedriver.exe')
# 初始化Edge WebDriver
driver = webdriver.Edge(service=edge_service)
# 使用input函数获取用户输入的网址
url = input("请输入您想要打开的网址: ")
# 打开用户输入的网址
driver.get(url)
# 获取网页的HTML源代码和标题
page_source = driver.page_source
soup = BeautifulSoup(page_source, 'html.parser')
title = soup.title.string if soup.title else "default_title" # 如果标题不存在,则使用默认标题
# 处理文件名,去除非法字符
filename = "".join(c if c.isalnum() or c.isspace() else '_' for c in title).rstrip().replace(" ", "_") + ".txt"
# 查找所有的<p>标签
paragraphs = soup.find_all('p')
# 同时打印到控制台和写入TXT文件
with open(filename, 'w', encoding='utf-8') as file:
for p in paragraphs:
text = p.get_text(strip=True)
if text: # 避免写入空行或打印空行
print(text) # 打印到控制台
file.write(text + "\n") # 写入TXT文件
# 关闭浏览器
driver.quit()
代码解析
-
导入库:首先,我们导入了必要的库,包括
webdriver
、Service
(用于启动和管理WebDriver服务)、BeautifulSoup
(用于解析HTML)和os
(虽然在这段代码中未直接使用,但在处理文件路径时可能会用到)。 -
配置WebDriver:指定了Edge WebDriver的路径,并初始化了WebDriver实例。
-
用户输入:通过
input
函数获取用户想要爬取的网页URL。 -
访问网页:使用WebDriver打开用户输入的URL。
-
解析HTML:获取网页的HTML源代码,并使用BeautifulSoup进行解析。
-
提取标题和文本:从解析后的HTML中提取网页标题和所有
<p>
标签内的文本。 -
处理文件名:将网页标题转换为合法的文件名,并添加
.txt
后缀。 -
写入文件:将提取的文本同时打印到控制台并写入TXT文件。
-
关闭浏览器:完成所有操作后,关闭WebDriver实例以释放资源。
扩展应用
虽然上述代码针对的是特定网站上的文本提取任务,但其核心逻辑——使用Selenium模拟浏览器访问、BeautifulSoup解析HTML、提取特定元素文本——具有广泛的应用价值。通过修改URL、解析逻辑和元素选择器,你可以轻松地将这段代码应用于其他网站,实现类似的数据抓取任务。
此外,对于需要处理登录验证、JavaScript渲染内容或动态加载数据的网站,Selenium提供了强大的浏览器自动化能力,能够帮助你克服这些障碍,实现更复杂的网页数据抓取。
常见问题:WebDriver的安装方法
如果您需要使用Selenium
和WebDriver
来处理动态网页内容(如JavaScript渲染的内容),这里是一个详细的指南来帮助您安装和配置WebDriver。
安装Selenium和WebDriver
1. 安装Python和pip
确保您已经安装了Python和pip。可以在命令行中运行以下命令来检查是否已经安装:
python --version
pip --version
2. 安装Selenium
使用pip安装Selenium库:
pip install selenium
3. 下载WebDriver
对于不同的浏览器,您需要下载相应的WebDriver:
-
Chrome WebDriver:
- 访问 ChromeDriver 下载页面。
- 根据您的Chrome浏览器版本下载对应的ChromeDriver版本。
- 将下载的文件解压,并将
chromedriver.exe
放到一个合适的目录(例如C:\webdrivers
)。
-
Firefox WebDriver(GeckoDriver):
- 访问 GeckoDriver 下载页面。
- 下载适用于您系统的GeckoDriver版本。
- 将下载的文件解压,并将
geckodriver.exe
放到一个合适的目录(例如C:\webdrivers
)。
4. 配置环境变量
将WebDriver的路径添加到系统环境变量中:
- 打开“此电脑”或“我的电脑”,右键点击选择“属性”。
- 选择“高级系统设置”。
- 在“系统属性”窗口中,点击“环境变量”按钮。
- 在“系统变量”区域找到
Path
变量,点击“编辑”。 - 在“编辑环境变量”窗口中,点击“新建”,然后输入WebDriver所在的目录路径(例如
C:\webdrivers
)。 - 确认更改。