欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python网络爬虫笔记(四):使用selenium获取动态加载的内容

程序员文章站 2022-06-16 23:06:00
(一) 说明 上一篇只能下载一页的数据,第2、3、4....100页的数据没法获取,在上一篇的基础上修改了下,使用selenium去获取所有页的href属性值。 使用selenium去模拟浏览器有点麻烦,例如有300页就要点300次(按博客园这种一页20条,也就是6000条数据。要是几百万条,这个就 ......

(一)  说明

上一篇只能下载一页的数据,第2、3、4....100页的数据没法获取,在上一篇的基础上修改了下,使用selenium去获取所有页的href属性值。

使用selenium去模拟浏览器有点麻烦,例如有300页就要点300次(按博客园这种一页20条,也就是6000条数据。要是几百万条,这个就得点好长时间了)

研究下有没有办法调用JS修改页面默认显示的数据条数(例如:博客园默认1页显示20条,改成默认显示1万条数据)。

(二)  完整代码

delayed.py的代码还是和之前一样。最好限速,不限速很容易被拒绝连接,而且也不道德。

  1 from selenium import webdriver
  2 from selenium.webdriver.support.ui import WebDriverWait
  3 from selenium.webdriver.support import expected_conditions
  4 from selenium.webdriver.common.by import By
  5 from selenium.webdriver.support.expected_conditions import StaleElementReferenceException
  6 import time
  7 import urllib.request as ure
  8 from delayed import WaitFor
  9 import lxml.html
 10 import os
 11 import docx
 12 #使用selenium获取所有随笔href属性的值,url只能传小类的,例如https://www.cnblogs.com/cate/python/
 13 def selenium_links(url):
 14     driver = webdriver.Chrome()
 15     driver.maximize_window()
 16     driver.get(url)
 17     #获取最大页数
 18     maxPage = driver.find_element_by_css_selector('#paging_block div.pager a:nth-last-of-type(2)').get_attribute('text')
 19     x=1
 20     url_list=[]
 21     #循环获取当前小类所有页面的href
 22     while x<=int(maxPage):
 23         time.sleep(1) #隐式 显式等待都尝试了,还是报错,只能等待1秒了(调试又正常运行)
 24         x +=1
 25         #等待 Next出现并返回 ,就是博客园翻到下一页的那个元素
 26         lastPage = WebDriverWait(driver, 30).until(expected_conditions.element_to_be_clickable((By.CSS_SELECTOR, '#paging_block div.pager a:last-child')))
 27         #等待元素出现并返回list,这里定位的是页面上的随笔
 28         html = WebDriverWait(driver, 30).until(expected_conditions.presence_of_all_elements_located((By.CSS_SELECTOR, 'a.titlelnk')))
 29         #迭代,将href属性的值添加到url_list
 30         for h in html:
 31             url_list.append(h.get_attribute('href'))
 32         lastPage.click()
 33     driver.quit()
 34     #以列表形式返回所有URL
 35     return url_list
 36 #传入包含url的列表
 37 def link_crawler(seed_url):
 38     html_list = []
 39     #下载crawl_queue中的所有网页
 40     waitFor = WaitFor(2)
 41     x =1
 42     while seed_url:
 43         print('第'+str(x)+'个')
 44         x+=1
 45         url = seed_url.pop()
 46         #下载限速
 47         waitFor.wait(url)
 48         html = download(url)
 49         html_list.append(html)
 50     return html_list
 51 #下载网页并返回
 52 def download(url,user_agent='FireDrich',num=2):
 53     print('下载:'+url)
 54     #设置用户代理
 55     headers = {'user_agent':user_agent}
 56     request = ure.Request(url,headers=headers)
 57     try:
 58         #下载网页
 59         html = ure.urlopen(request).read()
 60     except ure.URLError as e:
 61         print('下载失败'+e.reason)
 62         html=None
 63         if num>0:
 64             #遇到5XX错误时,递归调用自身重试下载,最多重复2次
 65             if hasattr(e,'code') and 500<=e.code<600:
 66                 return download(url,num-1)
 67     return html
 68 
 69 #将下载的网页写入Word文档
 70 def createWord(html):
 71     x = 0
 72     while html:
 73         url = html.pop()
 74         tree = lxml.html.fromstring(url)  # 解析HTML为统一的格式
 75         title = tree.xpath('//a[@id="cb_post_title_url"]')  # 获取标题
 76         the_file = tree.xpath('//div[@id="cnblogs_post_body"]/p')  # 获取正文内容
 77         pre = tree.xpath('//pre')  # 获取随笔代码部分(使用博客园自带插入代码功能插入的)
 78         img = tree.xpath('//div[@id="cnblogs_post_body"]/p/img/@src')  # 获取图片
 79         # 修改工作目录
 80         os.chdir('F:\Python\worm\data\博客园文件')
 81         try:
 82             # 创建一个空白新的Word文档
 83             doc = docx.Document()
 84             # 添加标题
 85             doc.add_heading(title[0].text_content(), 0)
 86         #有的设置成注册用户才能浏览的随笔,调用download函数时下载不到正确的网页,导致获取不到标题
 87         #title会是空列表,这里忽略这篇随笔,利用http.cookiejar模块应该可以解决这种问题,以后再看看这个模块了
 88         except IndexError as e:
 89             continue
 90         for i in the_file:
 91             # 将每一段的内容添加到Word文档(p标签的内容)
 92             doc.add_paragraph(i.text_content())
 93         # 将代码部分添加到文档中
 94         for p in pre:
 95             doc.add_paragraph(p.text_content())
 96         # 将图片添加到Word文档中
 97         for i in img:
 98             try:
 99                 ure.urlretrieve(i, '0.jpg')
100                 doc.add_picture('0.jpg')
101             except UnicodeEncodeError as e:
102                 print('异常'+str(e))
103                 pass
104         # 截取标题的前8位作为Word文件名
105         filename = title[0].text_content()[:8] + '.docx'
106         # 保存Word文档
107         # 如果文件名已经存在,将文件名设置为title[0].text_content()[:8]+ str(x).docx,否则将文件名设置为filename
108         if str(filename) in os.listdir('F:\Python\worm\data\博客园文件'):
109             doc.save(title[0].text_content()[:8] + str(x) + '.docx')
110             x += 1
111         else:
112             doc.save(filename)
113 #调用selenium_links获取所有url
114 html = selenium_links('https://www.cnblogs.com/cate/ruby/')
115 #调用link_crawler下载所有网页
116 downHtml = link_crawler(html)
117 #提取已经下载的网页数据到Word文档中
118 createWord(downHtml)

(三)结果

下面这个异常是,有的随笔上传了微信公众号的图片(暂时不确定是全部这样,还是部分这样),解析这个的时候会出现编码错误,目前的处理是输出异常信息,跳过这张图片。

Python网络爬虫笔记(四):使用selenium获取动态加载的内容