学习Python selenium自动化网页抓取器

Python  /  管理员 发布于 7年前   167

直接入正题---Python selenium自动控制浏览器对网页的数据进行抓取，其中包含按钮点击、跳转页面、搜索框的输入、页面的价值数据存储、mongodb自动id标识等等等。

1、首先介绍一下 Python selenium ---自动化测试工具，用来控制浏览器来对网页的操作，在爬虫中与BeautifulSoup结合那就是天衣无缝，除去国外的一些变态的验证网页，对于图片验证码我有自己写的破解图片验证码的源代码，成功率在85%。

详情请咨询QQ群--607021567（这不算广告，群里有好多Python的资源分享，还有大数据的一些知识【hadoop】）

2、beautifulsoup就不需要详细的介绍了，直接上网址:：https://www.crummy.com/software/BeautifulSoup/bs4/doc/（BeautifulSoup的官方文档）

3、关于mongodb的自动id的生成。mongodb中所有的存储数据都是有固定的id的，但是mongodb的id对于人类来讲是复杂的，对于机器来讲是小菜一碟的，所以在存入数据的同时，我习惯用新id来对每一条数据的负责！

在Python中使用mongodb的话需要引进模块 from pymongo import MongoClient,ASCENDING, DESCENDING ，该模块就是你的责任！

接下来开始讲程序，直接上实例（一步一步来）：

引入模块：

from selenium import webdriverfrom bs4 import BeautifulSoupimport requestsfrom pymongo import MongoClient,ASCENDING, DESCENDINGimport timeimport re

其中的每一个模块都会说已经解释过了，其中的re、requests都是之前就有提过的，他们都是核心缺一不可！

首先，我举一个小例子，淘宝的自动模拟搜索功能（源码）：

先说一下selenium 的定位方法

find_element_by_idfind_element_by_namefind_element_by_xpathfind_element_by_link_textfind_element_by_partial_link_textfind_element_by_tag_namefind_element_by_class_namefind_element_by_css_selector

源码：

from selenium import webdriverfrom bs4 import BeautifulSoupimport requestsfrom pymongo import MongoClient,ASCENDING, DESCENDINGimport timeimport redef TaoBao(): try:  Taobaourl = 'https://www.taobao.com/'  driver = webdriver.Chrome()  driver.get(Taobaourl)  time.sleep(5)#通常这里需要停顿，不然你的程序很有可能被检测到是Spider  text='Strong Man'#输入的内容  driver.find_element_by_xpath('//input[@class="search-combobox-input"]').send_keys(text).click()  driver.find_element_by_xpath('//button[@class="btn-search tb-bg"]').click()  driver.quit() except Exception,e:  print eif __name__ == '__main__': TaoBao()

效果的实现，你们可以直接复制后直接运行！我只用了xpath的这个方法，因为它最实在！橙色字体（如果我没有色盲的话），就是网页中定位的元素，可以找到的！

接下来就是与BeautifulSoup的结合了，但是我们看到的只是打开了网页，并没有源码，那么就需要 “变量名.page_source”这个方法，他会实现你的梦想，你懂得?

ht = driver.page_source#print ht 你可以Print出啦看看soup = BeautifulSoup(ht,'html.parser')

下面就是BeautifulSoup的一些语法操作了，对于数据的结构还有采集，在上一篇里面有详细的抓取操作！！！

算了！说一个最简单的定位抓取：

soup = BeautifulSoup(ht,'html.parser')a = soup.find('table',id="ctl00_ContentMain_SearchResultsGrid_grid")if a: #必须加判断，不然访问的网页或许没有这一元素，程序就会都停止！

class的标签必须是class_,一定要记住！

哈哈哈！mongodb了昂，细节细节，首先需要用到模块----from pymongo import MongoClient,ASCENDING, DESCENDING

因为在python，mongodb的语法仍然实用，所以需要定义一个库，并且是全局性的，还有链接你计算机的一个全局变量。

if __name__ == '__main__':  global db#全局变量      global table#全局数据库 table = 'mouser_product' mconn=MongoClient("mongodb://localhost")#地址 db=mconn.test db.authenticate('test','test')#用户名和密码 Taobao()

定义这些后，需要我们的新id来对数据的跟踪加定义：

db.sn.find_and_modify({"_id": table}, update={ "$inc": {'currentIdValue': 1}},upsert=True)dic = db.ids.find({"_id":table}).limit(1)return dic[0].get("currentIdValue") 

这个方法是通用的，所以只要记住其中的mongodb的语法就可以了！因为这里是有返回值的，所以这个是个方法体，这里不需要太过于纠结是怎么实现的，理解就好，中心还是在存数据的过程中

count = db[table].find({'数据':数据}).count() #是检索数据库中的数据if count <= 0:        #判断是否有ids= getNewsn()       #ids就是我们新定义的id，这里的id是1开始的增长型iddb[table].insert({"ids":ids,"数据":数据})   

这样我们的数据就直接存入到mongodb的数据库中了，这里解释一下为什么在大数据中这么喜欢mongodb，因为它小巧，速度佳！

最后来一个实例源码：

from selenium import webdriverfrom bs4 import BeautifulSoupimport requestsfrom pymongo import MongoClient,ASCENDING, DESCENDINGimport timeimport redef parser(): try:  f = open('sitemap.txt','r')  for i in f.readlines():   sorturl=i.strip()   driver = webdriver.Firefox()   driver.get(sorturl)   time.sleep(50)   ht = driver.page_source   #pageurl(ht)   soup = BeautifulSoup(ht,'html.parser')   a = soup.find('a',class_="first-last")   if a:    pagenum = int(a.get_text().strip())    print pagenum    for i in xrange(1,pagenum):     element = driver.find_element_by_xpath('//a[@id="ctl00_ContentMain_PagerTop_%s"]' %i)     element.click()     html = element.page_source     pageurl(html)     time.sleep(50)     driver.quit() except Exception,e:  print edef pageurl(ht): try:  soup = BeautifulSoup(ht,'html.parser')  a = soup.find('table',id="ctl00_ContentMain_SearchResultsGrid_grid")  if a:   tr = a.find_all('tr',class_="SearchResultsRowOdd")   if tr:     for i in tr:      td = i.find_all('td')      if td:       url = td[2].find('a')       if url:        producturl = '网址'+url['href']        print producturl        count = db[table].find({"url":producturl}).count()        if count<=0:         sn = getNewsn()         db[table].insert({"sn":sn,"url":producturl})         print str(sn) + ' inserted successfully'         time.sleep(3)        else:         print 'exists url'   tr1 = a.find_all('tr',class_="SearchResultsRowEven")   if tr1:     for i in tr1:      td = i.find_all('td')      if td:       url = td[2].find('a')       if url:        producturl = '网址'+url['href']        print producturl        count = db[table].find({"url":producturl}).count()        if count<=0:         sn = getNewsn()         db[table].insert({"sn":sn,"url":producturl})         print str(sn) + ' inserted successfully'         time.sleep(3)        else:         print 'exists url'        #time.sleep(5) except Exception,e:  print edef getNewsn():  db.sn.find_and_modify({"_id": table}, update={ "$inc"{'currentIdValue': 1}},upsert=True) dic = db.sn.find({"_id":table}).limit(1) return dic[0].get("currentIdValue")if __name__ == '__main__':  global db      global table table = 'mous_product' mconn=MongoClient("mongodb://localhost") db=mconn.test db.authenticate('test','test') parser()

这一串代码是破解一个老外的无聊验证码界面结缘的，我真的对他很无语了！破解方法还是实践中！这是完整的源码，无删改的哦！纯手工！