实时抓取网页数据( 如何利用Python爬取模块获取查看器的html内容(图))

　　实时抓取网页数据(

如何利用Python爬取模块获取查看器的html内容(图))

　　

　　1. 文章 目的

　　我们在使用Python抓取网页数据时，经常会用到urllib模块，通过调用urllib模块的urlopen(url)方法返回网页。

　　页面对象，使用read()方法获取url的html内容，然后使用BeautifulSoup抓取某个标签的内容，结合正则表

　　亲爱的过滤器。然而，你用 urllib.urlopen(url).read() 得到的只是网页的静态 html 内容，还有很多动态数据（比如 网站

　　访问量、当前在线人数、微博点赞数等）不收录在静态html中，比如我要抢这个bbs网

　　当前点击打开站点内各版块链接的在线人数不收录在静态html页面中（不信你去查一下页面源码，

　　只有一条简单的线）。像这样的动态数据更多是由 JavaScript、JQuery、PHP 等语言动态生成的。因此，

　　不宜使用爬取静态html内容的方法。

　　2. 解决方案

　　我试过网上提到的浏览器自带的开发者工具（一般是F12弹出对应网页的开发者工具），上网查了一下

　　动态数据的趋势是可以得到的，但是这需要从众多的URL中寻找线索，我个人觉得太麻烦了。另外，使用查看器

　　查看的html内容也收录动态数据，但是有几个问题：如何实时获取查看器的html内容？如何查看

　　html变成python程序？因此，使用查看器的html内容的方法也不符合爬虫的要求。

　　偶然发现了selenium模块，发现这个模块可以很方便的根据url加载页面获取session，并找到当前se

　　ssion 对应的标签。本文将使用 selenium webdriver 模块来获取这些动态生成的内容，尤其是一个

　　一些重要的动态数据。其实selenium模块的功能不仅限于抓取网页，它是网络自动化测试的常用模块

　　，在Ruby和Java中被广泛使用。Python虽然使用的比较少，但它也是一个非常简洁、高效、易用的工具。

　　手的自动化测试模块。通过使用selenium的子模块webdriver解决动态数据的捕获问题，还可以

　　可以对selenium有一个基本的了解，为进一步学习自动化测试打下基础。

　　3. 实施过程

　　3.1 运行环境

　　我在windows 7系统上安装了Python2.7版本，使用的是Python(X,Y)的IDE，安装的Python库没有self

　　用selenium，如果直接在Python程序中导入selenium，会提示没有这个模块。联网状态下，cmd直接进入pip i

　　安装selenium，系统会找到Python安装目录直接下载、解压安装这个模块。等到终端提示完成

　　我们看看C:\Python27\Lib\site-packages目录下有没有selenium模块。这个目录取决于你安装的 Python

　　的路径。如果有两个文件夹，selenium和selenium-2.47.3.dist-info，可以在Python程序中添加模块

　　已加载。

　　使用 webdriver 捕获动态数据

　　先导入webdriver子模块

　　从硒导入网络驱动程序

　　获取浏览器会话，可以使用火狐、Chrome、IE等浏览器，这里以火狐为例

　　浏览器 = webdriver.Firefox()

　　加载页面，在 url 本身中指定一个合法的字符串

　　browser.get(url)

　　获取到session对象后，为了定位元素，webdriver提供了一系列的元素定位方法。常用的方法有以下几种：

　　ID

　　姓名

　　班级名称

　　关联

　　文本

　　部分的

　　关联

　　文本

　　标签

　　姓名

　　路径

　　css选择器

　　比如通过id定位，返回一个所有元素组成的列表，lis=borwser.find_elements_by_id_name('kw'')

　　按类名定位，lis=find_elements_by_class_name('title_1')

　　更详细的定位方法请参考selenium webdriver(python)教程第三章-定位方法（第一版可百度

　　学位图书馆阅读）

　　结合正则表达式过滤相关信息

　　定位后的一些元素是不可取的，只需使用常规过滤即可。比如我想只提取英文字符（包括0-9），创建如下

　　常规的

　　pa=堆（r'\w+'）

　　对于 lis 中的你：

　　en=pa.findall(u.lis)

　　印刷英文

　　关闭会话

　　执行fetch操作后必须关闭session，否则让它一直占用内存会影响机器上其他进程的操作

　　Browser.close() 或 browser.quit() 可以关闭会话，前者只是关闭当前会话，浏览器的webdrive

　　r 未关闭，后者已关闭，包括 webdriver 等所有内容

　　添加异常处理

　　这个是必须的，因为有时候会获取session失败，所以把上面的语句块放到try里面，然后用exception处理

　　除了 NoSuchElementException：

　　断言 0，“找不到元素”

　　4. 代码实现

　　我通过点击打开链接抓取了指定分区每个板块的在线用户数，并指定了分区id号（0-9），可以得到板块名称和

　　在线用户数应该打印在一个列表中，代码如下

　　[python] 查看平原

　　# -*- 编码：utf-8 -*-

　　从硒导入网络驱动程序

　　从 mon.exceptions 导入 NoSuchElementException

　　导入时间

　　*敏*感*词*重新

　　def find_sec(secid):

　　pa=堆（r'\w+'）

　　browser = webdriver.Firefox() # 获取firefox的本地会话

　　browser.get("!section/%s "%secid) # 加载页面

　　time.sleep(1) # 让页面加载

　　结果=[]

　　尝试：

　　#获取页面名称和在线号码组成列表

　　board=browser.find_elements_by_class_name('title_1')

　　ol_num=browser.find_elements_by_class_name('title_4')

　　max_bindex=len（板）

　　max_oindex=len(ol_num)

　　assert max_bindex==max_oindex,'索引不等价！'

　　#页面名称为中英文，所以常规过滤后只剩下英文

　　对于范围内的 i(1,max_oindex)：

　　board_en=pa.findall(board.text)

　　result.append([str(board_en[-1]),int(ol_num.text)])

　　浏览器关闭（）

　　返回结果

　　除了 NoSuchElementException：

　　断言 0，“找不到元素”

　　print find_sec('5')#打印第5分区下所有版块的当前在线用户列表

　　操作结果如下：

　　终端打印效果

　　4. 总结

　　Selenium 在代码简洁性和执行效率方面非常出色。使用 selenium webdriver 捕获动态数据不是

　　它通常简单而有效。也可以进一步利用这个实现数据挖掘、机器学习等深入研究，所以selenium+pyth

　　就值得深入研究！如果觉得每次都用selenium打开浏览器不方便，可以用phantomjs模拟一个虚拟的

　　浏览器出来了，这里就不赘述了。