背景
最近刷PAT写题解的时候,需要复制每个题目到md文件,很繁琐,就想着用爬虫将PAT的题目都爬取出来,可查看网页源代码后发现是动态页面,需要用selenium进行爬取。
静态页面:数据都在源代码中(并不是F12控制台中的)
动态页面:以PAT为例,源代码中无题目信息
技术选型
- selenium 爬取动态页面
- html2text 将html解析为md
项目代码
代码讲解(完整代码文章末)
- 导入库
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
import html2text
- 下载浏览器驱动,生成网页。因为是动态网页,selenium能够模拟人登录并获取源代码。驱动下载参考,目录改为自己的
IE浏览器:http://selenium-release.storage.googleapis.com/index.html
Edge浏览器:http://go.microsoft.com/fwlink/?LinkId=619687
chrome浏览器:http://chromedriver.storage.googleapis.com/index.html
def getDriver(url):
driver = webdriver.Edge(r'E:\VirtualDesktop\code\pyCode\msedgedriver.exe')
driver.get(url)
return driver
- 获取题目和链接。由于PAT题目的id是随机的,无法使用拼串(xxx.html?id=)的方式进行访问,所以我们需要每道题的链接进行访问。总题目网址
wait是等待页面加载完成,不然获取不到数据
def getProLists(driver, ulists):
wait = WebDriverWait(driver, 3)
wait.until(EC.presence_of_element_located((By.CLASS_NAME, "DataTableContainer_3cQiI")))
pros = driver.find_elements_by_css_selector(
"div.DataTableContainer_3cQiI > table > tbody > tr > td:nth-child(3) > a")
for pro in pros:
ulists