python爬虫（五）

实战

实战大项目：模拟登录丁香园，并抓取论坛页面所有的人员基本信息与回复帖子内容。丁香园论坛：http://www.dxy.cn/bbs/thread/626626#626626 。

解析

默认的登录方式是扫码登录，所以要切换成账号密码登录：

1. 通过selenium定位元素登录链接
   login_link = driver.find_element_by_link_text(‘登录’)
2. 把login_link元素传入JavaScript语句，代替
   document.getElementsByClassName(“site-nav-right fr”)[0].childNodes[1]，而arguments[0]可以帮我们把selenium的元素传入到JavaScript语句中。arguments指的是execute_script()方法中js代码后面的所有参数，arguments[0]表示第一个参数，argument[1]表示第二个参数

    js='arguments[0].removeAttribute(argument[1])'
    driver.execute_script(js,login_link,”target”) 

3. 点击登陆链接
   login_link.click()
   
   完整版代码：

# -*- coding:utf-8 -*-
import requests, json, re, random,time
from bs4 import BeautifulSoup
from selenium import webdriver
from lxml import etree

class getUrl(object):
	def __init__(self):
		self.headers={
            "Connection": "keep-alive",
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "  
                          "(KHTML, like Gecko) Chrome/51.0.2704.63 Safari/537.36",
            "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
            "Accept-Encoding": "gzip, deflate, sdch",
            "Accept-Language": "zh-CN,zh;q=0.8"
        };

	def run(self):
		browser = webdriver.Chrome()
		browser.get('https://auth.dxy.cn/accounts/login?service=http://www.dxy.cn/bbs/index.html')
		time.sleep(1)
		#切换账号密码登录表单
		js1 = 'document.querySelector("#j_loginTab1").style.display="none";'
		browser.execute_script(js1)
		time.sleep(1)
		js2 = 'document.querySelector("#j_loginTab2").style.display="block";'
		browser.execute_script(js2)
		#输入账号密码
		input_name = browser.find_element_by_name('username')
		input_name.clear()
		input_name.send_keys('......')
		input_pass = browser.find_element_by_name('password')
		input_pass.clear()
		input_pass.send_keys('......')
		browser.find_element_by_xpath('//*[@class="form__button"]/button').click()
		#此步骤应该有验证码，先跳过
		time.sleep(10)
		cookie = browser.get_cookies()
		cookie_dict = {i['name']:i['value'] for i in cookie}
		#转到抓取页面
		browser.get("http://www.dxy.cn/bbs/thread/626626#626626");
		html = browser.page_source
		tree = etree.HTML(html)
		user = tree.xpath('//div[@id="postcontainer"]//div[@class="auth"]/a/text()')
		content = tree.xpath('//td[@class="postbody"]')
		for i in range(0,len(user)):
			result = user[i].strip()+":"+content[i].xpath('string(.)').strip()
			#写入文件
			dir_file = open("DXY_records.txt",'a', encoding="utf-8")
			dir_file.write(result+"\n")
			dir_file.write('-' * 80+"\n")
			dir_file.close()
		print('-' * 5 +"抓取结束"+'-' * 5)


if __name__ == '__main__':
	geturl = getUrl()
	geturl.run()

结果：