Python爬虫入门教程 15-100 石家庄政民互动数据爬取

写在前面

今天，咱抓取一个网站，这个网站呢，涉及的内容就是 网友留言和回复，特别简单，但是网站是gov的。网址为
http://www.sjz.gov.cn/col/1490066682000/index.html

首先声明，为了学习，绝无恶意抓取信息，不管你信不信，数据我没有长期存储，预计存储到重装操作系统就删除。

网页分析

点击更多回复 ，可以查看到相应的数据。

数据量很大14万条,，数据爬完，还可以用来学习数据分析，真是nice

经过分析之后，找到了列表页面。
数据的爬取这次我们采用的是 selenium ，解析页面采用lxml，数据存储采用pymongo ，关于selenium 你可以去搜索引擎搜索相关的教程，好多的，主要就是打开一个浏览器，然后模拟用户的操作，你可以去系统的学习一下。

撸代码

导入必备模块

from selenium import webdriver
from selenium.common.exceptions import timeoutexception
from selenium.webdriver.common.by import by
from selenium.webdriver.support.ui import webdriverwait
from selenium.webdriver.support import expected_conditions as ec

from lxml import etree
import pymongo
import time

打开浏览器，获取总页码

这个操作最重要的步骤，你搜索之后就会知道，需要提前下载一个叫做 chromedriver.exe 的东东，然后把他配置好，自行解决去吧~

# 加载浏览器引擎，需要提前下载好 chromedriver.exe 。
browser = webdriver.chrome()
wait = webdriverwait(browser,10)

def get_totle_page():
    try:
        # 浏览器跳转
        browser.get("http://www.sjz.gov.cn/zfxxinfolist.jsp?current=1&wid=1&cid=1259811582187")
        # 等待元素加载到
        totle_page = wait.until(
            ec.presence_of_element_located((by.css_selector,'input[type="hidden"]:nth-child(4)'))
        )
        # 获取属性
        totle = totle_page.get_attribute('value')
        # 获取首页数据，这个地方先不必须
        ##############################
        #get_content()
        ##############################

        return totle
    except timeouterror:
        return get_totle_page()

上面的代码在测试之后，你会得到如下结果

这时候，你已经得到20565这个总页码数目了，只需要进行一系列循环的操作即可，接下来有一个重要的函数，叫做next_page 这个函数里面，需要进行一个模拟用户行为的操作，输入一个页码，然后点击跳转。

def main():
    totle = int(get_totle_page()) # 获取完整页码
    for i in range(2,totle+1):
        print("正在加载第{}页数据".format(i))
        # 获取下一页
        next_page(i)

if __name__ == '__main__':
    print(main())

输入页码，点击跳转

def next_page(page_num):
    try:
        input = wait.until(
            ec.presence_of_element_located((by.css_selector,"#pageto"))
        )
        submit = wait.until(
            ec.element_to_be_clickable((by.css_selector,"#gopage"))
        )
        input.clear() # 清空文本框
        input.send_keys(page_num)  # 发送页码
        submit.click()  # 点击跳转
        #get_content(page_num)

    except timeoutexception:
        next_page(page_num)

以上代码实现的效果动态演示为

解析页面

可以进行翻页之后，通过browser.page_source 获取网页源码，网页源码通过lxml进行解析。编写相应的方法为

def get_content(page_num=none):
    try:
        wait.until(
            ec.presence_of_element_located((by.css_selector, "table.tably"))
        )
        html = browser.page_source   # 获取网页源码

        tree = etree.html(html)  # 解析

        tables = tree.xpath("//table[@class='tably']")

        for table in tables:

            name = table.xpath("tbody/tr[1]/td[1]/table/tbody/tr[1]/td")[0].text
            public_time = table.xpath("tbody/tr[1]/td[1]/table/tbody/tr[2]/td")[0].text
            to_people = table.xpath("tbody/tr[1]/td[1]/table/tbody/tr[3]/td")[0].text

            content = table.xpath("tbody/tr[1]/td[2]/table/tbody/tr[1]/td")[0].text

            repl_time  =  table.xpath("tbody/tr[2]/td[1]/table/tbody/tr[1]/td")[0].text
            repl_depart = table.xpath("tbody/tr[2]/td[1]/table/tbody/tr[2]/td")[0].text

            repl_content = table.xpath("tbody/tr[2]/td[2]/table/tbody/tr[1]/td")[0].text
            # 清理数据
            consult = {
                "name":name.replace("网友：",""),
                "public_time":public_time.replace("时间：",""),
                "to_people":to_people.replace("留言对象：",""),
                "content":content,
                "repl_time":repl_time.replace("时间：",""),
                "repl_depart":repl_depart.replace("回复部门：",""),
                "repl_content":repl_content
            }
            # 数据存储到mongo里面
            #save_mongo(consult)
    except exception:  # 这个地方需要特殊说明一下
        print("异常错误x1")
        print("浏览器休息一下")
        time.sleep(60)
        browser.get("http://www.sjz.gov.cn/zfxxinfolist.jsp?current={}&wid=1&cid=1259811582187".format(page_num))
        get_content()

在实际的爬取过程中发现，经过几百页之后，就会限制一下ip，所以当我们捕获页面信息出错，需要暂停一下，等待页面正常之后，在继续爬取数据。

数据存储到mongodb里面

爬取到的最终数据，我存储到了mongodb里面，这个就没有什么难度了，我们按照常规的套路编写即可。

写在最后

由于这次爬取的网站是gov的，所以建议不要用多线程，源码也不发送到github上去了，要不惹祸，如果有任何疑问，请评论。nice boy