本文介绍了如何利用selenium爬取动态网页上的公共厕所信息，如名称和地址，然后将这些数据保存到MongoDB数据库中。首先，讲解了安装selenium和配置chromedriver的步骤，接着展示了如何通过selenium操作浏览器进行搜索，最后详细说明了数据的提取和保存过程，包括以JSON格式保存和存入MongoDB数据库。
使用 selenium 爬取动态网页内容，并保存到数据库中
一、本章介绍
本章主要的内容是通过使用 selenium 来爬取动态网页的内容，并将内容保存到 MongoDB 数据库中。
本章目的是爬取公共厕所信息，比如厕所地址，名称等，然后将其保存成JSON格式或保存到数据库中。
目标网站：https://ditu.so.com/
二、环境准备
1.selenium
推荐下载版本为 3.14
下载方法：
打开终端，输入
pip install selenium==3.14
2.chromedriver
下载 chromedriver 之前要先查看本机 chrome 版本。
打开chrome，点击右上角三个竖着的点，找到帮助，点击关于Google Chrome。
可以看到本机chrome版本为 115.0.5790.102
打开下载chromedriver网站，找到对应本机chrome的chromedriver版本。
例如我下载的 chromedriver 的版本为 114.0.5735.90 。点击114.0.5735.90/，进入目录找到本机对应的环境下载压缩包。
将下载的 chromedriver 解压后放在 Google Chrome 的文件中，双击 chromedriver.exe ，如果看到 ChromeDriver was started successfully ，则证明成功，并且要将 chromedriver 添加系统环境变量。
全都下载并且配置好之后，测试一下是否能使用chromedriver。
from selenium import webdriver
import time
#建议使用Chrome Webdriver
#Chrome Web Driver，预设有介面
driver = webdriver.Chrome()
#访问百度网站，基础用法
driver.get("http://www.baidu.com")
#关闭浏览器,非必要，但建议要做
time.sleep(15)
driver.quit()
如果 Chrome 打开并且跳转至百度界面，则证明我们的 chromedriver 配置成功。
3.MongoDB
MongoDB 数据库要下载两个部分，分别为 MongoDB 主程序和 MongoDB compass 数据库的图形化管理系统。
我已经将程序上传百度云盘。
MongoDB 主程序，提取码：ccit
MongoDB compass，提取码：ccit
安装 MongoDB 主程序：
双击运行程序，一直单击下一步默认设置，到Choose Setup Type，选择custom，然后一直单击下一步默认设置，到Install MongoDB Compass，取消勾选，等待安装完成。
安装 MongoDB compass：
双击运行程序，等待加载完成，一直单击Next，跳过教程，之后单击Start Using Compass，启动。Connect To Host部分，全都采用预设值，单击Connect。看到三个数据库（admin，config，local）则配置成功。
设置 MongoDB 到我们系统的环境变量。
三、项目实现
我们先打开目标网站，思考怎么样查找我们需要的内容。
我们需要找到附近公共厕所的信息，就需要在网站的搜索框中搜索公共厕所，然后单击搜索按钮。
1.使用 selenium 打开目标网站
from selenium import webdriver
driver = webdriver.Chrome()
driver.get("https://ditu.so.com/")
2.找到输入框，将关键词输入
content_element = driver.find_element_by_class_name('react-autosuggest__input').send_keys("what want to find!")
使用 selenium 的 driver.find_element_by_class_name 方法定位标签元素。那么怎么得到目标的标签呢？
使用 selenium 的 driver.send_keys 方法将需要查找的内容输入搜索框。
3.找到搜索按钮，在输入关键词后开始搜索
from selenium.webdriver import ActionChains
search_element = driver.find_element_by_class_name('search')
time.sleep(2)
# 单击搜索按钮
ActionChains(driver).click(on_element=search_element).pause(0.1).perform()
使用 selenium 的 driver.find_element_by_class_name 方法查找到搜索按钮位置。
使用 selenium 的 ActionChains(driver).click()…perform() 单击搜索按钮实现搜索效果。
4.找到想要查找的信息
搜索到我们想要的信息之后我们就要定位信息，以便我们将其保存。
items = []
print('*' * 50)
toliet_list = driver.find_elements_by_class_name("ZhyAZMuVKiND1Z0fU6X6")
for content in toliet_list:
# 公厕名称
toliet_find = content.find_element_by_class_name("QqYxXPBfGK3P4VZZGH1x").text
# 公厕地址
address_find = content.find_element_by_class_name("Koobo8bUnpuiG16tPSZh").text
# 公厕离你的距离
distance_find = content.find_element_by_tag_name("span").text
print("公厕名称：{}".format(toliet_find))
print("公厕地点：{}".format(address_find))
print("离您的距离：{}".format(distance_find))
print('*' * 50)
time.sleep(2)
item={
"公厕名称": toliet_find,
"公厕地点": address_find,
"公厕离您的距离": distance_find
}
items.append(item)
我们要的信息是 公厕名称， 公厕地址， 公厕离你的距离，找到之后将他们打印出来。
注：公厕离你的距离 有时不会显示出来原因可能是距离太远了，如果不显示，就把显示距离的部分注释掉。
5. 保存数据
以JSON数据格式保存：
try:
with open('./toliet.json', mode='w+', encoding='utf-8') as f:
f.write(json.dumps(items, ensure_ascii=False, indent=2))
except Exception as e:
print(e)
我们得到想要的信息之后，将其保存在 toliet.json。
保存到 MongoDB 数据库中：
client = MongoClient()
db = client['toliet']
collection = db['nearby_toliet']
collection.insert_one({'公厕名称': toliet_find,
'公厕地点': address_find,
'公厕离您的距离': distance_find})
注：保存到数据库的时候需要先启动数据库不然会报错。
代码汇总：
from selenium import webdriver
import time
from selenium.webdriver import ActionChains
from selenium.webdriver import ChromeOptions
import json
from pymongo import MongoClient
# 爬取动态网页，初始化设置
# 使用Chrome Webdriver
# 带一个–ignore-certificate-errors的参数，忽略掉那些证书错误
chrome_options = webdriver.ChromeOptions()
chrome_options.add_experimental_option("detach", True)
chrome_options.add_argument('---ignore-certificate-errors-spki-list')
chrome_options.add_argument('--ignore-ssl-errors')
chrome_options.add_argument('--ignore-ssl-error')
chrome_options.add_argument('log-level=2')
# 反反爬虫的手段 :>
chrome_options.add_experimental_option('excludeSwitches', ['enable-automation'])
driver = webdriver.Chrome(options=chrome_options)
driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'
})
def dynamic_operations(input_content):
# 访问360地图
driver.get("https://ditu.so.com/")
# 定义将搜索的关键词
# 找到输入框，将关键词输入
content_element = driver.find_element_by_class_name('react-autosuggest__input').send_keys(input_content)
time.sleep(2)
# 找到搜索按钮，在输入关键词后开始搜索
search_element = driver.find_element_by_class_name('search')
time.sleep(2)
# 单击搜索按钮
ActionChains(driver).click(on_element=search_element).pause(0.1).perform()
# 关闭浏览器。
# time.sleep(15)
# driver.quit()
# 开始爬取需要的资料
def parse_toliet(input_content):
dynamic_operations(input_content)
client = MongoClient()
db = client['toliet']
collection = db['nearby_toliet']
items = []
print('*' * 50)
toliet_list = driver.find_elements_by_class_name("ZhyAZMuVKiND1Z0fU6X6")
for content in toliet_list:
# 公厕名称
toliet_find = content.find_element_by_class_name("Pf3UqpeKMUTg1rfFBdBp").text
# 公厕地址
address_find = content.find_element_by_class_name("Koobo8bUnpuiG16tPSZh").text
# 公厕离你的距离
# distance_find = content.find_element_by_tag_name("span").text
print("公厕名称：{}".format(toliet_find))
print("公厕地点：{}".format(address_find))
# print("离您的距离：{}".format(distance_find))
print('*' * 50)
time.sleep(2)
item={
"公厕名称": toliet_find,
"公厕地点": address_find,
# "公厕离您的距离": distance_find
}
items.append(item)
collection.insert_one({'公厕名称': toliet_find,
'公厕地点': address_find})
save_data(items)
# time.sleep(15)
# 关闭浏览器
# driver.quit()
def save_data(items):
try:
with open('./toliet.json', mode='w+', encoding='utf-8') as f:
f.write(json.dumps(items, ensure_ascii=False, indent=2))
except Exception as e:
print(e)
if __name__ == "__main__":
input_content = input("请输入要搜索的内容：")
parse_toliet(input_content)
结果展示：
toliet.json文件：
控制台：
MongoDB 数据库:
扫一扫
1980
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
