动态渲染页面爬取

举报
Gere 发表于 2022/07/16 21:34:48 2022/07/16
【摘要】 利用python爬取网站数据非常便捷,效率非常高,但是常用的一般都是使用BeautifSoup、requests搭配组合抓取静态页面(即网页上显示的数据都可以在html源码中找到,而不是网站通过js或者ajax异步加载的),这种类型的网站数据爬取起来较简单。但是有些网站上的数据是通过执行js代码来更新的,这时传统的方法就不是那么适用了。这种情况下有如下几种方法:清空网页上的network信息...

利用python爬取网站数据非常便捷,效率非常高,但是常用的一般都是使用BeautifSouprequests搭配组合抓取静态页面(即网页上显示的数据都可以在html源码中找到,而不是网站通过js或者ajax异步加载的),这种类型的网站数据爬取起来较简单。但是有些网站上的数据是通过执行js代码来更新的,这时传统的方法就不是那么适用了。这种情况下有如下几种方法:

  • 清空网页上的network信息(一般来说爬取动态页面数据的都是对爬虫有一定了解的,如果你是这方面的新手,对如何分析页面和请求参数不太了解,可以参考我另一篇博客python2.7爬虫实例详细介绍之爬取大众点评的数据),更新页面,观察网页发送的请求,有些网站可以通过这种方法构造参数,从而简化爬虫。但是适用范围不够广泛。
  • 使用selenium模拟浏览器行为更新网页获取更新后的数据。本文接下来着重讲述这种方法。

一、准备工作

模拟浏览器需要用到两个工具:

  1. selenium,可直接通过pip install selenium进行安装
  2. PhantomJS,这是一个无界面的,可脚本编程的WebKit浏览器引擎,百度进行搜索,在其官网下进行下载,下载后无需安装,放到指定路径下,在使用时只需指定文件所在路径即可。

二、使用selenium模拟浏览器

本文爬取网站示例为:http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1465594312346最新测试发现网站已无法打开,2021年5月25日
学习示例时请不要爬取太多页面,走一遍流程了解怎么抓就行
打开网站后,可以看到需要爬取的数据为一个规则的表格,但是有很多页。
这里写图片描述
在这个网站中,点击下一页页面的url不发生变化,是通过执行一段js代码更新页面的。因此本文思想就是利用selenium模拟浏览器进行点击,点击“下一页”后页面数据进行更新,获取更新后的页面数据即可。下面是完整代码:

# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import json
import time
from selenium import webdriver
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )
curpath=sys.path[0]
print curpath

def getData(url):
    # 使用下载好的phantomjs,网上也有人用firefox,chrome,但是我没有成功,用这个也挺方便
	driver =webdriver.PhantomJS(executable_path="C:/phantomjs.exe")
	driver.set_page_load_timeout(30)
	time.sleep(3)
	html=driver.get(url[0])  # 使用get方法请求url,因为是模拟浏览器,所以不需要headers信息	
	for page in range(3):
		html=driver.page_source  # 获取网页的html数据
		soup=BeautifulSoup(html,'lxml')  # 对html进行解析,如果提示lxml未安装,直接pip install lxml即可
		table=soup.find('table',class_="report-table")
		name=[]
		for th in table.find_all('tr')[0].find_all('th'):
			name.append(th.get_text())  # 获取表格的字段名称作为字典的键
		flag=0  # 标记,当爬取字段数据是为0,否则为1
		for tr in table.find_all('tr'):
		# 第一行为表格字段数据,因此跳过第一行
			if flag==1:
				dic={}
				i=0
				for td in tr.find_all('td'):
					dic[name[i]]=td.get_text()	
					i+=1		
				jsonDump(dic,url[1])#保存数据
			flag=1
		  # 利用find_element_by_link_text方法得到下一页所在的位置并点击,点击后页面会自动更新,只需要重新获取driver.page_source即可
		driver.find_element_by_link_text(u"下一页").click()
		
def jsonDump(_json,name):
	"""store json data"""
	with open(curpath+'/'+name+'.json','a') as outfile:
		json.dump(_json,outfile,ensure_ascii=False)
	with open(curpath+'/'+name+'.json','a') as outfile:
		outfile.write(',\n')

if __name__ == '__main__':
	url=['http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1465594312346','yzc']  # yzc为文件名,此处输入中文会报错,前面加u也不行,只好保存后手动改文件名……
	getData(url)  # 调用函数

本文中获取下一页的位置是通过driver.find_element_by_link_text方法来实现的,这是因为在此网页中,这个标签没有唯一可标识的id,也没有class,如果通过xpath定位的话,第一页和其他页的xpath路径又不完全相同,需要加个if进行判断。因此直接通过linktext参数进行定位。click()函数模拟在浏览器中的点击操作。如何定位页面中的元素位置,可以参考下面这篇博客。
Selenuim+Python之元素定位总结及实例说明

selenium的功能非常强大,用在爬虫上能够解决很多一般爬虫解决不了的问题,它可以模拟点击、鼠标移动,可以提交表单(应用如:登陆邮箱账号、登陆wifi等,网上有很多实例,本人暂时还没有尝试过),当你遇到一些非常规的网站数据爬取起来非常棘手时,不妨尝试一下selenium+phantomjs


以上,欢迎交流。

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。