爬虫(十一)：selenium爬虫
1. selenium基础
selenium部分可以去看我写的selenium基础部分，由于链接太多了这里就不发出来了。
代理ip：
有时候频繁爬取一些网页。服务器发现你是爬虫后会封掉你的ip地址。这时候我们可以更改代理ip。更改代理ip不同的浏览器有不同的实现方式。这里使用我最常用的chrome浏览器为例。
from selenium import webdriver
chromeoptions = webdriver.chromeoptions()
# 设置代理
chromeoptions.add_argument("--proxy-server=http://202.20.16.82:10152")
# 一定要注意，=两边不能有空格，不能是这样--proxy-server = http://202.20.16.82:10152
driver = webdriver.chrome(chrome_options = chromeoptions)
# 查看本机ip，查看代理是否起作用
driver.get("http://httpbin.org/ip")
print(driver.page_source)
# 退出，清除浏览器缓存
driver.quit()
注意事项：
第一，选择稳定的固定的代理ip。不要选择动态代理ip。我们常用的爬虫ip代理通常都是具有高度保密性质的高匿名动态ip，是通过拨号动态产生的，时效性非常的短，一般都是在3分钟左右。
第二，选择速度较快的代理ip。因为selenium爬虫采用的是浏览器渲染技术，这种浏览器渲染技术速度就本身就很慢。如果选择的代理ip速度较慢，爬取的时间就会进一步增加。
第三，要有足够大的电脑内存。因为chrome占内存较大，在并发度很高的情况下，容易造成浏览器崩溃，也就是程序崩溃。
第四，在程序结束时，调用driver.quit( )清除浏览器缓存。
2. selenium爬虫实例
选案例真的给我整吐了，开始想弄最常用的淘宝，结果一点搜索就要登录，然后就是天猫，点击下一页就需要登录，搞得我就爬了第一页。最后还是京东好，什么都可以。
2.1 初步分析
像京东、淘宝、天猫这些网站都是动态加载，刚打开只会加载几十条数据，当滑动条到达一定位置的时候，才会继续加载。这时候我们可以通过selenium模拟浏览器下拉网页的过程，获取网站全部商品的信息。
browser.execute_script("window.scrollto(0,document.body.scrollheight)")
2.2 模拟翻页
在前面，我们如果要爬取查询的每一页的内容，我们只能分析url，找规律，才能跳转到下一页，并获取数据。
现在我们就可以使用xpath定位+selenium点击，来模拟浏览器的翻页行为了。
下拉网页至底部可以发现有一个下一页的按钮，我们只需获取并点击该元素即可实现翻页。
browser.find_element_by_xpath('//a[@class="pn-next" and @onclick]').click()
2.3 获取数据
接下来，我们需要解析每一个网页来获取我们需要的数据，具体包括（可以使用selenium选择元素）：
商品 id：browser.find_elements_by_xpath('//li[@data-sku]')，用于构造链接地址
商品价格：browser.find_elements_by_xpath('//div[@class="gl-i-wrap"]/div[2]/strong/i')
商品名称：browser.find_elements_by_xpath('//div[@class="gl-i-wrap"]/div[3]/a/em')
评论人数：browser.find_elements_by_xpath('//div[@class="gl-i-wrap"]/div[4]/strong')
2.4 代码实现
from selenium import webdriver
from selenium.webdriver.support.wait import webdriverwait
from selenium.webdriver.support import expected_conditions as ec
from selenium.webdriver.common.by import by
import selenium.common.exceptions
import json
import csv
import time
class jdspider():
def open_file(self):
self.fm = input('请输入文件保存格式（txt、json、csv）：')
while self.fm!='txt' and self.fm!='json' and self.fm!='csv':
self.fm = input('输入错误，请重新输入文件保存格式（txt、json、csv）：')
if self.fm=='txt' :
self.fd = open('jd.txt','w',encoding='utf-8')
elif self.fm=='json' :
self.fd = open('jd.json','w',encoding='utf-8')
elif self.fm=='csv' :
self.fd = open('jd.csv','w',encoding='utf-8',newline='')
def open_browser(self):
self.browser = webdriver.chrome()
self.browser.implicitly_wait(10)
self.wait = webdriverwait(self.browser,10)
def init_variable(self):
self.data = zip()
self.islast = false
def parse_page(self):
try:
skus = self.wait.until(ec.presence_of_all_elements_located((by.xpath,'//li[@class="gl-item"]')))
skus = [item.get_attribute('data-sku') for item in skus]
links = ['https://item.jd.com/{sku}.html'.format(sku=item) for item in skus]
prices = self.wait.until(ec.presence_of_all_elements_located((by.xpath,'//div[@class="gl-i-wrap"]/div[2]/strong/i')))
prices = [item.text for item in prices]
names = self.wait.until(ec.presence_of_all_elements_located((by.xpath,'//div[@class="gl-i-wrap"]/div[3]/a/em')))
names = [item.text for item in names]
comments = self.wait.until(ec.presence_of_all_elements_located((by.xpath,'//div[@class="gl-i-wrap"]/div[4]/strong')))
comments = [item.text for item in comments]
self.data = zip(links,prices,names,comments)
except selenium.common.exceptions.timeoutexception:
print('parse_page: timeoutexception')
self.parse_page()
except selenium.common.exceptions.staleelementreferenceexception:
print('parse_page: staleelementreferenceexception')
self.browser.refresh()
def turn_page(self):
try:
self.wait.until(ec.element_to_be_clickable((by.xpath,'//a[@class="pn-next"]'))).click()
time.sleep(1)
self.browser.execute_script("window.scrollto(0,document.body.scrollheight)")
time.sleep(2)
except selenium.common.exceptions.nosuchelementexception:
self.islast = true
except selenium.common.exceptions.timeoutexception:
print('turn_page: timeoutexception')
self.turn_page()
except selenium.common.exceptions.staleelementreferenceexception:
print('turn_page: staleelementreferenceexception')
self.browser.refresh()
def write_to_file(self):
if self.fm == 'txt':
for item in self.data:
self.fd.write('----------------------------------------\n')
self.fd.write('link：' + str(item[0]) + '\n')
self.fd.write('price：' + str(item[1]) + '\n')
self.fd.write('name：' + str(item[2]) + '\n')
self.fd.write('comment：' + str(item[3]) + '\n')
if self.fm == 'json':
temp = ('link','price','name','comment')
for item in self.data:
json.dump(dict(zip(temp,item)),self.fd,ensure_ascii=false)
if self.fm == 'csv':
writer = csv.writer(self.fd)
for item in self.data:
writer.writerow(item)
def close_file(self):
self.fd.close()
def close_browser(self):
self.browser.quit()
def crawl(self):
self.open_file()
self.open_browser()
self.init_variable()
print('开始爬取')
self.browser.get('https://search.jd.com/search?keyword=%e7%ac%94%e8%ae%b0%e6%9c%ac&enc=utf-8')
time.sleep(1)
self.browser.execute_script("window.scrollto(0,document.body.scrollheight)")
time.sleep(2)
count = 0
while not self.islast:
count += 1
print('正在爬取第 ' + str(count) + ' 页......')
self.parse_page()
self.write_to_file()
self.turn_page()
self.close_file()
self.close_browser()
print('结束爬取')
if __name__ == '__main__':
spider = jdspider()
spider.crawl()
代码中需要注意的地方：
1.self.fd = open('jd.csv','w',encoding='utf-8',newline='')
在打开csv文件时，最好加上参数newline=''，否则我们写入的文件会出现空行，不利于后续的数据处理。
2.self.browser.execute_script("window.scrollto(0,document.body.scrollheight)")
在模拟浏览器向下拖动网页时，由于数据更新不及时，所以经常出现staleelementreferenceexception异常，我们可以在操作中加入time.sleep()给浏览器充足的加载时间，或者就是捕获该异常进行相应的处理了。
3.skus = [item.get_attribute('data-sku') for item in skus]
在selenium中使用xpath语法选取元素时，无法直接获取节点的属性值，而需要使用get_attribute()方法。
4.无头启动浏览器可以加快爬取速度，只需在启动浏览器时设置无头参数即可。
opt = webdriver.chrome.options.options() opt.set_headless() browser = webdriver.chrome(chrome_options=opt)
上一篇： slice 实现原理
下一篇： excel if的用法