动态网页抓取( 爬取一个动态网页的数据（一）--Selenium )

　　动态网页抓取(

爬取一个动态网页的数据（一）--Selenium

)

　　Python+Selenium 动态网页信息抓取

　　一、Selenium (一）Selenium 介绍

　　Selenium 是一个 Web 自动化测试工具。它最初是为自动化网站测试而开发的。类型就像我们用来玩游戏的按钮向导。可根据指定指令自动运行。不同的是，Selenium 可以直接在浏览器上运行。支持所有主流浏览器（包括PhantomJS等非接口浏览器）。

　　Selenium 可以根据我们的指令让浏览器自动加载页面，获取所需的数据，甚至可以对页面进行截图，或者判断网站上是否发生了某些操作。

　　Selenium 没有浏览器，不支持浏览器的功能。需要配合第三方浏览器使用。但是我们有时需要让它嵌入到代码中运行，所以我们可以使用一个叫做 PhantomJS 的工具来代替真正的浏览器。

　　二、自动填写百度网页查询关键词，完成自动搜索

　　1.查看百度源码中搜索框的id和搜索按钮的id

　　

　　2.获取百度网页

　　from selenium import webdriver

driver = webdriver.Firefox(executable_path=r'F:\browserdriver\geckodriver-v0.30.0-win64\geckodriver.exe')

driver.get("https://www.baidu.com/")

　　如果正在运行，此时会打开百度的起始页

　　

　　3.填写搜索框

　　p_input = driver.find_element_by_id('kw')

print(p_input)

print(p_input.location)

print(p_input.size)

print(p_input.send_keys('一只特立独行的猪'))

print(p_input.text)

　　4.模拟点击

　　使用另一个输入，即按钮的点击事件；或者表单的提交事件

　　p_btn = driver.find_element_by_id('su')

　　p_btn.click()

　　三、 抓取动态网页的数据（一）网站链接

　　(二）分析网页

　　1. 抓取网页元素

　　 含有quote类的标签即为所要的标签

text类名言，author为作者,tags为标签

　　

　　2.按钮属性

　　爬取一个页面后，需要翻页，即点击页面按钮。

　　可以发现Next按钮只有href属性，无法定位。而且第一页只有下一页按钮，后面的页面有上一页和下一页按钮，xpath无法定位，其子元素span（即箭头）在属性aria-hidden中第一页它是独一无二的。aria-hidden 属性存在于后续页面中，但 Next 的箭头始终是最后一个。

　　因此，您可以通过找到最后一个带有 aria-hidden 属性的 span 标签来点击跳转到下一页：

　　

　　(3）网站页面

　　点击Nest，可以发现网站有10页

　　

　　(三）代码实现

　　1.代码

　　import time

import csv

from bs4 import BeautifulSoup as bs

from selenium import webdriver

driver = webdriver.Firefox(executable_path=r'F:\browserdriver\geckodriver-v0.30.0-win64\geckodriver.exe')

# 名言所在网站

driver.get("http://quotes.toscrape.com/js/")

# 所有数据

subjects = []

# 单个数据

subject=[]

#定义csv表头

quote_head=['名言','作者','标签']

#csv文件的路径和名字

quote_path='名人名言.csv'

#存放内容的列表

def write_csv(csv_head,csv_content,csv_path):

with open(csv_path, 'w', newline='',encoding='utf-8') as file:

fileWriter =csv.writer(file)

fileWriter.writerow(csv_head)

fileWriter.writerows(csv_content)

n = 10

for i in range(0, n):

driver.find_elements_by_class_name("quote")

res_list=driver.find_elements_by_class_name("quote")

# 分离出需要的内容

for tmp in res_list:

saying = tmp.find_element_by_class_name("text").text

author =tmp.find_element_by_class_name("author").text

tags =tmp.find_element_by_class_name("tags").text

subject=[]

subject.append(saying)

subject.append(author)

subject.append(tags)

print(subject)

subjects.append(subject)

subject=[]

write_csv(quote_head,subjects,quote_path)

print('成功爬取第' + str(i + 1) + '页')

if i == n-1:

break

driver.find_elements_by_css_selector('[aria-hidden]')[-1].click()

time.sleep(2)

driver.close()

　　2.保存的爬取结果

　　

　　表中有100条信息

　　

　　四、 爬取京东网站（一） 爬取网站）上感兴趣的书籍信息

　　京东：

　　(二）网络分析

　　1.查看网站首页、输入框和搜索按钮

　　

　　2.图书展示列表，J_goodsList下

　　

　　3.标签一一对应

　　每本书都有一个li标签

　　有很多 li 标签

　　

　　4.li中的具体内容

　　

　　(1）价格

　　

　　(2）书名

　　

　　(3）按