工具
python2.7
selenium
Chrome浏览器
获取数据的要求
1. 数据来源
http://www.1000t.org/weibo_list.php?page=2
通过控制page的数值,实现网页的跳转。
2. 要获取那些信息?
逐条获取微博频道信息,逐条保存在weibo_list.txt文件中。
3. 怎么获取我们需要的信息?
使用强大的selenium工具,它可以根据元素的XPath路径获取相应元素的值。
在获取之前首先要分析数据的组成以及规律性。
(1) 数据共66页每页20条,共1306条数据。
(2)先对比每页第一条数据的XPath和最后一条数据的XPath;
//第一条
/html/body/div[1]/table/tbody/tr[2]/td[2]
//最后一条
/html/body/div[1]/table/tbody/tr[21]/td[2]/a[1]
很容易发现规律(就不细说了)。
4. 编写代码
#-*- coding:utf-8 -*-
import unittest
import time
import re
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.common.action_chains import ActionChains
#和网页编码charset保持一致
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
f = open("/home/xuna/桌面/res/weibo_list.txt",'w')
sum = 1
#外循环控制网页跳转
for page in range(1,67):
#http://www.1000t.org/luntan_list.php?page=2
url = "http://www.1000t.org/weibo_list.php?page="+str(page)
driver = webdriver.Chrome()
driver.set_window_size(200,200) #设置浏览器窗口的大小
driver.get(url)
#内循环抓取每页的数据
for n in range(2,22):#2-21
#/html/body/div/table/tbody/tr[2]/td[2]/a/html/body/div/table/tbody/tr[21]/td[2]
#获取元素的xpath
name_xpath = '/html/body/div/table/tbody/tr[' + str(n) + ']/td[2]'
name = driver.find_element_by_xpath(name_xpath).text
f.write(name + "\n")
print sum,name
if sum == 1305:
break
sum = sum + 1
driver.close()
5.获取的结果