什么是Selenium
Selenium是一個用于測試網(wǎng)站的自動化測試工具,支持各種瀏覽器包括Chrome、Firefox、Safari等主流界面瀏覽器,同時也支持phantomJS無界面瀏覽器。
1.準備工作
由于Selenium的環(huán)境配置過程比較繁瑣,我會盡可能詳細的對其進行講解。
1.1 安裝Selenium
由于Selenium的環(huán)境配置過程比較繁瑣,我會多花一些篇幅對其進行講解??梢栽赾md命令框輸入以下內(nèi)容安裝Selenium庫。
1.2 瀏覽器驅(qū)動安裝
Selenium的使用必須有相應(yīng)瀏覽器的webdriver,以Chrome瀏覽器為例,可以在這個鏈接查看自己的瀏覽器對應(yīng)的Chromedriver的版本。
1.3 環(huán)境變量添加
設(shè)置瀏覽器的地址非常簡單。 我們可以手動創(chuàng)建一個存放瀏覽器驅(qū)動的目錄, , 將下載的瀏覽器驅(qū)動文件丟到該目錄下。然后在我的電腦–>屬性–>系統(tǒng)設(shè)置–>高級–>環(huán)境變量–>系統(tǒng)變量–>Path,將該目錄添加到Path的值中。如果配置變量有問題,可以參照這個鏈接
注意,如果系統(tǒng)報錯為:
selenium.common.exceptions.SessionNotCreatedException: Message: session not created:This version of ChromeDriver only supports Chrome version***
表示當前下載的Chromedriver的版本與自己瀏覽器的版本無法對應(yīng),可以通過Chrome的幫助查看自己的瀏覽器版本
1.4 小試牛刀
接下來就可以測試我們的selenium是不是可以正常使用了,以一個簡單的例子開始:驅(qū)動瀏覽器打開百度。
from selenium import webdriver
url='https://www.baidu.com/'
browser=webdriver.Chrome()
browser.get(url)
如果到這里都沒有問題的話,就已經(jīng)可以開始進行下一步了。
2.相關(guān)步驟
2.1 引入相關(guān)模塊
首先導入本次爬蟲任務(wù)需要的相關(guān)庫:
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
import time
其中selenium.webdriver.common.by 主要用于搜尋網(wǎng)頁元素的id信息,用于定位按鈕、輸入框之類的元素,WebDriverWait主要是用于等待網(wǎng)頁響應(yīng)完成,因為網(wǎng)頁沒有完全加載,就使用find_elements_by_**等方法,就會出現(xiàn)找不到對應(yīng)元素的情況。
2.2 獲取信息
movies=browser.find_elements_by_class_name('movie-name-text')
names=[]
for item in movies:
if item.text!='':
names.append(item.text)
其中find_elements_by_class_name就是通過查找class_name來鎖定影片名稱這個信息。
審查元素后右鍵即可Copy這個元素的JS path,selector等信息,可以鎖定這個元素及其類似的其他元素的信息。以‘霸王別姬'這部影片為例,他的selector就是#content > div > div.article > div.movie-list-panel.pictext > div:nth-child(1) > div > div > div.movie-name > span.movie-name-text > a
那么就可以用下面的代碼來鎖定影片名稱。
movies=browser.find_elements_by_class_name('#content > div > div.article > div.movie-list-panel.pictext > div:nth-child(1) > div > div > div.movie-name > span.movie-name-text > a')
2.3 設(shè)置等待時間
前面已經(jīng)說過,如果頁面還沒有完全加載出,我們就進行元素的查找,返回的很可能是空列表,所以我們需要設(shè)置等待時間。
這里就涉及到顯示等待和隱式等待的區(qū)別。
2.3.1 顯式等待
每隔一段時間檢測一次當前頁面元素是否存在,如果超過設(shè)置時間檢測不到則拋出異常(TimeoutException)代碼格式:WebDriverWait(driver, timeout, poll_frequency=0.5, ignored_exceptions=None)
2.3.2 隱式等待
隱式等待是通過一定的時長等待頁面上某個元素加載完成。如果超出了設(shè)置的時長元素還沒有被加載,則拋出NoSuchElementException異常。
操作如下:implicitly_wait()
當使用了隱式等待執(zhí)行測試的時候,如果 WebDriver沒有在 DOM中找到元素,將繼續(xù)等待,超出設(shè)定時間后則拋出找不到元素的異常換句話說,當查找元素或元素并沒有立即出現(xiàn)的時候,隱式等待將等待一段時間再查找 DOM,默認的時間是0,一旦設(shè)置了隱式等待,則它存在整個 WebDriver 對象實例的聲明周期中,隱式的等到會讓一個正常響應(yīng)的應(yīng)用的測試變慢,它將會在尋找每個元素的時候都進行等待,這樣會增加整個測試執(zhí)行的時間。我們這里使用的就是隱式等待。
def get_page():
browser.implicitly_wait(10)
for i in range(50):
time.sleep(0.3)
browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')
print('正在下滑第{}次'.format(i))
print('-------------')
#time.sleep(10)
print("*****請等待幾秒*****")
time.sleep(10)
when=wait.until(EC.presence_of_all_elements_located((By.CSS_SELECTOR,'#content > div > div.article > div.movie-list-panel.pictext > div:nth-child(380) > div > a > img')))
2.3.3 強制等待(補充)
強制等待就是使用python自帶的time模塊,設(shè)置等待時間,操作如下:time.sleep(time)一般可以用強制等待來限制計算機頻繁訪問目標鏈接導致驗證問題。
2.4 頁面自動下滑
頁面下滑過程比較簡單,不多贅述。其實現(xiàn)過程如下:
browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')#下滑操作
2.5 保存文件
爬取出的數(shù)據(jù)是列表形式,使用pandas的to_csv方法就可以保存到本地了。
rate,miscs,actor_list,ranks,playable_sign,names=get_page()
datas=pd.DataFrame({'names':names,'rank':ranks,'分類':miscs,'評分':rate})
try:
datas.to_csv('機器學習\爬蟲\douban_0327.csv',encoding='utf_8_sig')
print("保存成功")
print(datas)
3.完整代碼
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
import pandas as pd
import time
url='https://movie.douban.com/typerank?type_name=愛情片type=13interval_id=100:90action='
options=webdriver.ChromeOptions()
options.add_argument('lang=zh_CN.UTF-8')
options.add_argument('user-agent="Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"')
browser=webdriver.Chrome()
browser.get(url)
wait=WebDriverWait(browser,10)
def get_page():
browser.implicitly_wait(10)
for i in range(50):
time.sleep(0.3)
browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')#下滑操作
print('正在下滑第{}次'.format(i))
print('-------------')
#time.sleep(10)
print("*****請等待幾秒*****")
time.sleep(10)
when=wait.until(EC.presence_of_all_elements_located((By.CSS_SELECTOR,'#content > div > div.article > div.movie-list-panel.pictext > div:nth-child(380) > div > a > img')))
#-----------------------------------------------------------------
movies=browser.find_elements_by_class_name('movie-name-text')
names=[]
for item in movies:
if item.text!='':
names.append(item.text)
print("爬取成功")
print(len(names))
#---------------------------------------------------------------
playables=browser.find_elements_by_class_name('playable-sign')
playable_sign=[]
for sign in playables:
if sign.text!='':
playable_sign.append(sign.text)
print('爬取成功')
print(len(playable_sign))
#------------------------------------------------------------
rank_names=browser.find_elements_by_class_name('rank-num')
ranks=[]
for rank in rank_names:
if rank.text!='':
ranks.append(rank.text)
print('爬取成功')
print(len(ranks))
#---------------------------------------------------------
actors=browser.find_elements_by_class_name('movie-crew')
actor_list=[]
for actor in actors:
if actor.text!='':
actor_list.append(actor.text)
print('爬取成功')
print(len(actor_list))
#----------------------------------------------------------
clasic=browser.find_elements_by_class_name('movie-misc')
miscs=[]
for misc in clasic:
if misc.text!='':
miscs.append(misc.text)
print('爬取成功')
print(len(miscs))
#-----------------------------------------------------------
rates=browser.find_elements_by_class_name('movie-rating')
rate=[]
for score in rates:
if score.text!='':
rate.append(score.text)
print('爬取成功')
print(len(rate))
#-----------------------------------------------------------
'''
links=browser.find_elements_by_class_name('movie-content')
for link in links:
link_img=link.get_attribute('data-original')
print(link_img)
'''
return rate,miscs,actor_list,ranks,playable_sign,names
if __name__ == "__main__":
rate,miscs,actor_list,ranks,playable_sign,names=get_page()
datas=pd.DataFrame({'names':names,'rank':ranks,'分類':miscs,'評分':rate})
try:
datas.to_csv('機器學習\爬蟲\douban_0327.csv',encoding='utf_8_sig')
print("保存成功")
print(datas)
except:
print('保存失敗')
到此這篇關(guān)于詳解使用Selenium爬取豆瓣電影前100的愛情片相關(guān)信息的文章就介紹到這了,更多相關(guān)Selenium爬取豆瓣電影內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- python Selenium爬取內(nèi)容并存儲至MySQL數(shù)據(jù)庫的實現(xiàn)代碼
- Python使用Selenium+BeautifulSoup爬取淘寶搜索頁
- Scrapy基于selenium結(jié)合爬取淘寶的實例講解
- python爬蟲系列Selenium定向爬取虎撲籃球圖片詳解
- Python使用Selenium爬取淘寶異步加載的數(shù)據(jù)方法
- scrapy與selenium結(jié)合爬取數(shù)據(jù)(爬取動態(tài)網(wǎng)站)的示例代碼
- 詳解python selenium 爬取網(wǎng)易云音樂歌單名
- Python selenium爬取微信公眾號文章代碼詳解
- java+selenium爬取圖片簽名的方法
- Python selenium爬取微博數(shù)據(jù)代碼實例