利用脚本动态爬取网页信息
利用脚本动态爬取网页信息
编译环境:Jupyter Notebook (Anaconda3)
调用的包:selenium,webdrive,webdriver_manager
文章目录
- 利用脚本动态爬取网页信息
- 一、在Anaconda的虚拟环境下安装必要库
- 1. selenium
- 2. webdrive
- 3. webdriver_manager
- 二、实现动态爬取
- 1. 使用搜索引擎作最基本的脚本测试
- 2. 爬取指定网页http://quotes.toscrape.com/js/的名言
- 3. 爬取京东指定商品信息
- 三、总结
- 四、参考链接
- 五、代码下载
一、在Anaconda的虚拟环境下安装必要库
1. selenium
pip install selenium
2. webdrive
要使用selenium去调用浏览器,还需要一个驱动,不同浏览器的webdriver需要独立安装
可以从这里下载:https://npm.taobao.org/mirrors/chromedriver/
并将将该文件添加到PATH下具体方法请参照:win10系统如何配置环境变量
3. webdriver_manager
通过安装webdriver_manager来解决webdriver的管理问题
pip install webdriver_manager
二、实现动态爬取
1. 使用搜索引擎作最基本的脚本测试
使用脚本通过游览器打开百度
from selenium import webdriver
from webdriver_manager.chrome import ChromeDriverManager
driver = webdriver.Chrome(ChromeDriverManager().install())
#进入网页
driver.get("https://www.baidu.com/")
运行结果:
====== WebDriver manager ======
Current google-chrome version is 96.0.4664
Get LATEST chromedriver version for 96.0.4664 google-chrome
There is no [win32] chromedriver for browser in cache
Trying to download new driver from https://chromedriver.storage.googleapis.com/96.0.4664.45/chromedriver_win32.zip
Driver has been saved in cache [C:\Users\12711\.wdm\drivers\chromedriver\win32\96.0.4664.45]
<ipython-input-2-bed3ab5004c4>:3: DeprecationWarning: executable_path has been deprecated, please pass in a Service objectdriver = webdriver.Chrome(ChromeDriverManager().install())
这里脚本自动下载了另一个所需版本的游览器驱动,通过Win10的任务管理器我们发现新启动的游览器与原本的分开了,显而易见两个版本是不同的。
右键搜索框检查元素
p_input = driver.find_element_by_id("kw")
p_input.send_keys('知乎')
<ipython-input-3-fe5ddeffd9d7>:1: DeprecationWarning: find_element_by_* commands are deprecated. Please use find_element() insteadp_input = driver.find_element_by_id("kw")
右键按钮检查元素
#点击搜索按钮
p_btn=driver.find_element_by_id('su')
p_btn.click()
<ipython-input-4-d6c5181ed729>:2: DeprecationWarning: find_element_by_* commands are deprecated. Please use find_element() insteadp_btn=driver.find_element_by_id('su')
2. 爬取指定网页http://quotes.toscrape.com/js/的名言
同样先打开该网页分析网页元素
from bs4 import BeautifulSoup as bs
from selenium import webdriver
import csv
from selenium.webdriver.chrome.options import Options
from tqdm import tqdm#在电脑终端上显示进度,使代码可视化进度加快
from webdriver_manager.chrome import ChromeDriverManager
driver = webdriver.Chrome(ChromeDriverManager().install())
driver.get('http://quotes.toscrape.com/js/')
#定义csv表头
quote_head=['名言','作者']
#csv文件的路径和名字
quote_path='D:\\1_WorkSpace\\quote.csv'
#存放内容的列表
quote_content=[]'''
function_name:write_csv
parameters: csv_head,csv_content,csv_path
csv_head: the csv file head
csv_content: the csv file content,the number of columns equal to length of csv_head
csv_path: the csv file route
'''
def write_csv(csv_head,csv_content,csv_path):with open(csv_path, 'w', newline='') as file:fileWriter =csv.writer(file)fileWriter.writerow(csv_head)fileWriter.writerows(csv_content)print('爬取信息成功')###
#可以用find_elements_by_class_name获取所有含这个元素的集合(列表也有可能)
#然后把这个提取出来之后再用继续提取
quote=driver.find_elements_by_class_name("quote")
#将要收集的信息放在quote_content里
for i in tqdm(range(len(quote))): quote_text=quote[i].find_element_by_class_name("text")quote_author=quote[i].find_element_by_class_name("author")temp=[]temp.append(quote_text.text)temp.append(quote_author.text)quote_content.append(temp)
write_csv(quote_head,quote_content,quote_path)
运行结果:
====== WebDriver manager ======
Current google-chrome version is 96.0.4664
Get LATEST chromedriver version for 96.0.4664 google-chrome
Driver [C:\Users\12711\.wdm\drivers\chromedriver\win32\96.0.4664.45\chromedriver.exe] found in cache
<ipython-input-5-28b14e96b18c>:7: DeprecationWarning: executable_path has been deprecated, please pass in a Service objectdriver = webdriver.Chrome(ChromeDriverManager().install())
<ipython-input-5-28b14e96b18c>:33: DeprecationWarning: find_elements_by_* commands are deprecated. Please use find_elements() insteadquote=driver.find_elements_by_class_name("quote")0%| | 0/10 [00:00<?, ?it/s]C:\Users\12711\anaconda3\lib\site-packages\selenium\webdriver\remote\webelement.py:446: UserWarning: find_element_by_* commands are deprecated. Please use find_element() insteadwarnings.warn("find_element_by_* commands are deprecated. Please use find_element() instead")
100%|██████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 27.87it/s]爬取信息成功
3. 爬取京东指定商品信息
因为最近想买耳机,所以就爬了个Redmi AirDots 3,很方便,可以非常简单地货比三家。
同样先通过检查元素查看指定元素地标签,这里不再展示。
from selenium import webdriver
import time
import csv
from tqdm import tqdm#在电脑终端上显示进度,使代码可视化进度加快
from webdriver_manager.chrome import ChromeDriverManager
driver = webdriver.Chrome(ChromeDriverManager().install())
#加载页面
driver.get("https://www.jd.com/")
time.sleep(3)#定义存放图书信息的列表
goods_info_list=[]
#爬取200本
goods_num=200
#定义表头
goods_head=['价格','名字','链接']
#csv文件的路径和名字
goods_path='D:\\1_Workspace\\erji.csv'#向输入框里输入Java
p_input = driver.find_element_by_id("key")
p_input.send_keys('Redmi AirDots3')#button好像不能根据类名直接获取,先获取大的div,再获取按钮
from_filed=driver.find_element_by_class_name('form')
s_btn=from_filed.find_element_by_tag_name('button')
s_btn.click()#实现点击#获取商品价格、名称、链接
def get_prince_and_name(goods):#直接用css定位元素#获取价格goods_price=goods.find_element_by_css_selector('div.p-price')#获取元素goods_name=goods.find_element_by_css_selector('div.p-name')#获取链接goods_herf=goods.find_element_by_css_selector('div.p-img>a').get_property('href')return goods_price,goods_name,goods_herfdef drop_down(web_driver):#将滚动条调整至页面底部web_driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')time.sleep(3)#获取爬取一页
def crawl_a_page(web_driver,goods_num):#获取图书列表drop_down(web_driver)goods_list=web_driver.find_elements_by_css_selector('div#J_goodsList>ul>li')#获取一个图书的价格、名字、链接for i in tqdm(range(len(goods_list))):goods_num-=1goods_price,goods_name,goods_herf=get_prince_and_name(goods_list[i])goods=[]goods.append(goods_price.text)goods.append(goods_name.text)goods.append(goods_herf)goods_info_list.append(goods)if goods_num==0:breakreturn goods_numwhile goods_num!=0:goods_num=crawl_a_page(driver,goods_num)btn=driver.find_element_by_class_name('pn-next').click()time.sleep(1)
write_csv(goods_head,goods_info_list,goods_path)
运行结果:
====== WebDriver manager ======Current google-chrome version is 96.0.4664Get LATEST chromedriver version for 96.0.4664 google-chromeDriver [C:\Users\12711\.wdm\drivers\chromedriver\win32\96.0.4664.45\chromedriver.exe] found in cache<ipython-input-7-e26dcb5907e1>:6: DeprecationWarning: executable_path has been deprecated, please pass in a Service objectdriver = webdriver.Chrome(ChromeDriverManager().install())<ipython-input-7-e26dcb5907e1>:21: DeprecationWarning: find_element_by_* commands are deprecated. Please use find_element() insteadp_input = driver.find_element_by_id("key")<ipython-input-7-e26dcb5907e1>:25: DeprecationWarning: find_element_by_* commands are deprecated. Please use find_element() insteadfrom_filed=driver.find_element_by_class_name('form')<ipython-input-7-e26dcb5907e1>:49: DeprecationWarning: find_elements_by_* commands are deprecated. Please use find_elements() insteadgoods_list=web_driver.find_elements_by_css_selector('div#J_goodsList>ul>li')100%|██████████████████████████████████████████████████████████████████████████████████| 30/30 [00:01<00:00, 19.09it/s]<ipython-input-7-e26dcb5907e1>:65: DeprecationWarning: find_element_by_* commands are deprecated. Please use find_element() insteadbtn=driver.find_element_by_class_name('pn-next').click()100%|██████████████████████████████████████████████████████████████████████████████████| 60/60 [00:03<00:00, 19.38it/s]100%|██████████████████████████████████████████████████████████████████████████████████| 42/42 [00:02<00:00, 19.66it/s]100%|██████████████████████████████████████████████████████████████████████████████████| 42/42 [00:02<00:00, 19.97it/s]60%|████████████████████████████████████████████████▊ | 25/42 [00:01<00:00, 18.78it/s]
爬取信息成功
三、总结
通过本次动态网页信息爬取,我亲身体验到了爬虫为什么被应用得如此广泛,利用脚本和爬虫可以轻易地爬取商城信息,如果在本次实验地基础上再加几个元素,就可以直接通过Excel表上来个十分清晰地货比三家。
四、参考链接
机智的橙子: 动态网页爬虫
weixin_43563705: Selenium:requests+Selenum爬取京东所有图书类的数据
五、代码下载
https://github.com/Wattson1128/HomeWork13-1
利用脚本动态爬取网页信息相关推荐
- Python 爬取网页信息并保存到本地爬虫爬取网页第一步【简单易懂,注释超级全,代码可以直接运行】
Python 爬取网页信息并保存到本地[简单易懂,代码可以直接运行] 功能:给出一个关键词,根据关键词爬取程序,这是爬虫爬取网页的第一步 步骤: 1.确定url 2.确定请求头 3.发送请求 4.写入 ...
- Scrapy项目之自动爬取网页信息
前文已经介绍了利用Scrapy框架与手写爬虫,比较了Scrapy框架的优势.前面介绍的scrapy框架爬取是针对一个网页的爬取,而本文介绍的是实现多个网页的自动爬取,本文将以爬取虎扑湿乎乎论坛帖子信息 ...
- python爬取网页信息
最近在学习python,发现通过python爬取网页信息确实方便,以前用C++写了个简单的爬虫,爬取指定网页的信息,代码随便一写都几百行,而要用python完成相同的工作,代码量相当少.前几天看到了一 ...
- [python] 常用正则表达式爬取网页信息及分析HTML标签总结
这篇文章主要是介绍Python爬取网页信息时,经常使用的正则表达式及方法.它是一篇总结性文章,实用性比较大,主要解决自己遇到的爬虫问题,也希望对你有所帮助~ 当然如果会Selenium基于自动化测试爬 ...
- Python爬虫:Xpath爬取网页信息(附代码)
Python爬虫:Xpath爬取网页信息(附代码) 上一次分享了使用Python简单爬取网页信息的方法.但是仅仅对于单一网页的信息爬取一般无法满足我们的数据需求.对于一般的数据需求,我们通常需要从一个 ...
- python正则表达式爬取网页数据_常用正则表达式爬取网页信息及HTML分析总结
Python爬取网页信息时,经常使用的正则表达式及方法. 1.获取 标签之间内容2.获取 超链接之间内容3.获取URL最后一个参数命名图片或传递参数4.爬取网页中所有URL链接5.爬取网页标题titl ...
- 常用正则表达式爬取网页信息及分析HTML标签总结
这篇文章主要是介绍Python爬取网页信息时,经常使用的正则表达式及方法.它是一篇总结性文章,实用性比较大,主要解决自己遇到的爬虫问题,也希望对你有所帮助~ 当然如果会Selenium基于自动化测试爬 ...
- 常用正则表达式爬取网页信息及HTML分析总结
Python爬取网页信息时,经常使用的正则表达式及方法. 1.获取<tr></tr>标签之间内容 2.获取<a href..></a>超链接之间内容 3 ...
- 利用java的JSoup爬虫技术爬取网页信息
简单讲解java的Jsoup爬虫技术来爬取网页的数据,简单来讲就是解释网页,一般学过xml的人都很容易理解. 第一步:我们要爬取网页的静态内容必须要了解网页的源码,也就是div之类的标签,因为我们是靠 ...
最新文章
- API Monitor(API监控工具)
- 实验10:创建带有生命周期方法的bean ||实验11:测试bean的后置处理器
- 基于stm32f405控制三相无刷电机例程_ST SSC 频道 | 基于ST STM32F302R8T6 电机空气压缩机方案...
- Vue+Openlayer使用overlay实现弹窗弹出显示与关闭
- SpringBoot中使用thymeleaf时ajax请求不能回显消息
- superset可视化-Pie Chart(圆饼图)
- react-native拨打电话和安卓端拨打电话
- Golang错误和异常处理的正确姿势
- 动态规划 BZOJ2287【POJ Challenge】消失之物
- Day2:C语言学习2
- IOI国家集训队1999-2020年论文集(附网盘免费下载链接)
- 完整阅读 何凯明最新一作:Masked Autoencoders Are Scalable Vision Learners
- 【NOIP2016提高组复赛】蚯蚓 题解
- xilinx低延时视频编解码方案
- 软件测试Mysql数据库学习(二)
- php+生成条形码18位,php实现在线生成条形码示例分享(条形码生成器)
- Thinkpad T440p安装Linux的种种问题(by quqi99)
- python实现http请求并发_Python复习笔记(十)Http协议--Web服务器-并发服务器
- 音视频-噪声分析,使用REW免费软件Room eq wizard做噪声频谱分析 声压级测量 NR NC曲线噪声评价 Leq等效声压级 SEL噪声暴露级 噪声记录
- [管理故事]:马太效应