Python 抓取动态网页表格信息

 

 

 ps：不管你是零基础还是有基础都可以获取到自己相对应的学习礼包！包括python软件工具和2020最新入门到实战教程。加群695185429即可免费获取。

五一假期，研究了下python抓取动态网页信息的相关操作，结合封面的参考书、网上教程编写出可以满足需求的代码。由于初涉python，过程中曲折很多，为了避免以后遇到问题找不到相关的信息创建本文。

准备工具：

1. python 3.8
2. google chrome浏览器
3. googledriver

测试网站：

1.集思录（https://www.jisilu.cn/data/cbnew/#cb）

测试前准备：

1.配置python运行的环境变量，参照链接（https://www.runoob.com/python3/python3-install.html）

 

*本次测试主要采取两种方式抓取动态网页数据，一是requests及json分析的方式；一是selenium的方式。requests方式速度快，但有一些元素的链接信息抓取不到；selenium方式通过模拟打开浏览器的方式进行数据的抓取，由于要打开浏览器因此速度相对较慢，但是可抓取的信息比较全面。

 

主要抓取的内容如下：（网站中的一些可转债数据）

 

 

requests 方式抓取网站信息：

python需要安装的相关脚本：requests

安装方式：管理员身份运行cmd；输入 pip install requests 命令，安装成功后会有提醒。如果一次不能安装成功就多安装几次

（前提相关的端口没有封闭）。如果pip版本不是最新的，会提醒更新pip的版本，pip的环境变量也要设置，设置方式参照python的设置方式。

 

requests抓取代码如下：

import requests
import json
url='https://www.jisilu.cn/data/cbnew/cb_list/?___jsl=lst___'
return_data = requests.get(url,verify = false)
js=return_data.json()
for i in js['rows']:
    print(i['id']+" "+i['cell']['bond_nm']+" "+i['cell']['price'])

 

最终结果如下：

 

注意两个要点：

找到正确的url：chrome打开集思录网站（https://www.jisilu.cn/data/cbnew/#cb）。点击f12键，弹出的开发工具窗口中选network，然后选xhr，点f5键刷新。在name的那一栏里逐个点击，找到所需的xhr。通过preview可发现“？__jsl=lst”对应的xhr就是我们要寻找的，在headers里可以查到对应的url。

 

json将requests的数据格式进行转化，方便数据查找。通过json格式转化之后，requestes的数据格式与preview的格式一致。如果要定位到“国轩转债”那栏数据，则使用代码js['rows']['cell']['bond_nm']*selenium抓取网页数据：

 

python 需安装的脚本：selenium（安装方式参照requests安装）

配置与浏览器相对应的webdriver。以chrome为例，下载与chrome版本对应（在地址栏输入chrome://version后回车查看chrome的版本）的driver。放在chrome安装的文件夹下，并设置环境变量。

 

selenium抓取代码如下：

from selenium import webdriver
import time
driver=webdriver.chrome()
url1='https://www.jisilu.cn/data/cbnew/#cb'
bes=driver.get(url1)
time.sleep(5)  #增加延时命令，等待元素加载
driver.find_element_by_tag_name("tr").click()  #增加延时，等待元素加载
table_tr_list=driver.find_element_by_xpath("//*[@id='flex_cb']").find_elements_by_tag_name("tr") #后面一个element改成elements
for tr in table_tr_list:
    if len(tr.get_attribute('id'))>0:
        print(tr.find_element_by_xpath("//*[@id=%d]/td[1]/a"%(int(tr.get_attribute('id')))).text+" "+tr.find_element_by_xpath("//*[@id=%d]/td[2]"%(int(tr.get_attribute('id')))).text)
driver.quit()

 

 

运行结果如下：

 

 

注意三个要点：

1、要加上延时命令（ time.sleep(5) ），否则可能出现寻找不到元素的报错（nosuchelementexception异常）

 

2、利用find_element_by_xpath时，可以在网页开发器中右击copy xpath，确认该元素的路径。

 

 

 

3、传送id时，将字符转为数值，并注意清除空字符

抓取的数据也可通过python 保存到excel里。