urilib是python的标准库，当我们使用Python爬取网页数据时，往往用的是urllib模块，通过调用urllib模块的urlopen(url)方法返回网页对象，并使用read()方法获得url的html内容，然后使用BeautifulSoup抓取某个标签内容，结合正则表达式过滤。但是，用urllib.urlopen(url).read()获取的只是网页的静态html内容，很多动态数据（比如网站访问人数、当前在线人数、微博的点赞数等等）是不包含在静态html里面的，例如我要抓取这个bbs网站中点击打开链接 各个板块的当前在线人数，静态html网页是不包含的（不信你查看页面源代码试试，只有简单的一行）。像这些动态数据更多的是由JavaScript、JQuery、PHP等语言动态生成的，因此再用抓取静态html内容的方式就不合适了。
本文将通过selenium webdriver模块的使用，以获取这些动态生成的内容，尤其是一些重要的动态数据。其实selenium模块的功能不是仅仅限于抓取网页，它是网络自动化测试的常用模块，在Ruby、Java里面都有广泛使用，Python里面虽然使用相对较少，但也是一个非常简洁高效容易上手的自动化测试模块。通过利用selenium的子模块webdriver的使用，解决抓取动态数据的问题，还可以对selenium有基本认识，为进一步学习自动化测试打下基础。
一 环境配置
1、下载geckodriver.exe：下载地址：https://github.com/mozilla/geckodriver/releases请根据系统版本选择下载；（如Windows 64位系统）
2、下载解压后将getckodriver.exe复制到Firefox的安装目录下，
如（C:\Program Files\Mozilla Firefox），并在环境变量Path中添加路径：C:\Program Files\Mozilla Firefox
3、安装selenium
pip install selenium
4、beautifulsoup4的安装，Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,
pip install beautifulsoup4
pip install lxml
pip install html5lib
5、安装faker
pip install faker
二 如何爬取落网某一期数据信息
落网的网址是http://www.luoo.net，我们利用火狐浏览器打开该网址，随便选择一期音乐，这里我点击的是摇滚，
然后点击F12，选择第989期，进入该页面，我们就以爬取这一页的内容为例：
进入之后，我们可以看到该网页主要包括以下内容：期刊编号，期刊标题，期刊封面，期刊描述，歌单。
通过下方开发工具中的查看器，可以获取我们感兴趣数据的标签，选择器等信息。以歌单为例：
程序代码如下：
# -*- coding: utf-8 -*-
"""
Created on Thu May 24 16:35:36 2018 @author: zy
"""
import os
from bs4 import BeautifulSoup
import random
from faker import Factory
import queue
import threading
import urllib.request as urllib
from selenium import webdriver
import time #"gbk" codec can't encode character "\xXX" in position XX : https://www.cnblogs.com/feng18/p/5646925.html
#即字符编码是utf-8的字节，但是并不能转换成utf-8编码的字符串 '''
爬取网页信息的类
'''
def random_proxies(proxy_ips):
'''
从proxy_ips中随机选取一个代理ip args:
proxy_ips:list 每个元素都是一个代理ip
'''
ip_index = random.randint(0, len(proxy_ips)-1)
res = { 'http': proxy_ips[ip_index] }
return res def fix_characters(s):
'''
替换掉s中的一些特殊字符 args:
s：字符串
'''
for c in ['<', '>', ':', '"', '/', '\\', '|', '?', '*']:
s = s.replace(c, '')
return s def get_static_url_response_html(url):
'''
爬取静态页面数据：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find reture:
返回html代码
'''
fake = Factory.create()
# 这里配置可用的代理IP，可以写多个
proxy_ips = [
'183.129.151.130'
]
headers = {'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Charset':'GB2312,utf-8;q=0.7,*;q=0.7',
'Accept-Language':'zh-cn,zh;q=0.5',
'Cache-Control':'max-age=0',
'Connection':'keep-alive',
'Host':'John',
'Keep-Alive':'',
'Referer':url,
'User-Agent': fake.user_agent()
#'User-Agent': 'User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
}
req = urllib.Request(url=url,origin_req_host=random_proxies(proxy_ips),headers = headers)
#当该语句读取的返回值是bytes类型时，要将其转换成utf-8才能正常显示在python程序中
response = urllib.urlopen(req).read()
#需要进行类型转换才能正常显示在python中
response = response.decode('utf-8')
return response def download(url,dstpath=None):
'''
利用urlretrieve()这个函数可以直接从互联网上下载文件保存到本地路径下 args:
url：网页文件或者图片以及其他数据路径，尽量不要下载网页，因为下载的是静态网页
dstpath:保存全路况
'''
if dstpath is None:
dstpath = './code.jpg'
try:
urllib.urlretrieve(url,dstpath)
print('Download from {} finish!'.format(url))
except Exception as e:
print('Download from {} fail!'.format(url)) def get_dynamic_url_response_html(url):
'''
selenium是一个用于Web应用自动化程序测试的工具，测试直接运行在浏览器中，就像真正的用户在操作一样
selenium支持通过驱动真实浏览器（FirfoxDriver，IternetExplorerDriver，OperaDriver，ChromeDriver）
selenium支持通过驱动*面浏览器（HtmlUnit，PhantomJs） 1、下载geckodriver.exe：下载地址：https://github.com/mozilla/geckodriver/releases请根据系统版本选择下载；（如Windows 64位系统）
2、下载解压后将getckodriver.exe复制到Firefox的安装目录下，
如（C:\Program Files\Mozilla Firefox），并在环境变量Path中添加路径：C:\Program Files\Mozilla Firefox return:
返回html代码 获取url页面信息后关闭连接
'''
browser = webdriver.Firefox(executable_path = r'D:\ff\geckodriver.exe')
#html请求
browser.get(url)
html = browser.page_source
time.sleep(2)
#html = browser.page_source.decode('utf-8')
#关闭浏览器
browser.quit()
return html class UrlSpyder(threading.Thread):
'''
使用Threading模块创建线程:http://www.runoob.com/python/python-multithreading.html
使用Threading模块创建线程，直接从threading.Thread继承，然后重写__init__方法和run方法： 主要思路分成两部分：
1.用来发起http请求分析出播放列表然后丢到队列中
2.在队列中逐条下载文件到本地（如果需要下载文件）
一般分析列表速度较快，下载速度比较慢，可以借助多线程同时进行下载
'''
def __init__(self, base_url, releate_urls, que=None):
'''
args:
base_url:网址
releate_urls：相对于网址的网页路径 list集合
que:队列 Python的queue模块中提供了同步的、线程安全的队列类，包括FIFO（先入先出)队列Queue，LIFO（后入先出）队列LifoQueue，
和优先级队列PriorityQueue。这些队列都实现了锁原语，能够在多线程中直接使用。可以使用队列来实现线程间的同步。
'''
threading.Thread.__init__(self)
print('Start spider\n')
print ('=' * 50) #保存字段信息
self.base_url = base_url
if queue is None:
self.queue = queue.Queue()
else:
self.queue = que
self.releate_urls = releate_urls def run(self):
'''
把要执行的代码写到run函数里面 线程在创建后会直接运行run函数
'''
#遍历每一个网页 并开始爬取
for releate_url in self.releate_urls:
self.spider(releate_url)
print ('\nCrawl end\n\n') def spider(self, releate_url):
'''
爬取指定网页数据，并提取我们所需要的网页信息的函数 args:
releate_url:网页的相对路径
'''
url = os.path.join(self.base_url,releate_url)
print ('Crawling: ' + url + '\n') '''
解析html 针对不同的网址，解析内容也不一样
'''
#获取指定网页的html代码
response = get_dynamic_url_response_html(url)
#response = getUrlRespHtml(url) ) #使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出:
#soup = BeautifulSoup(response, 'lxml')
soup = BeautifulSoup(response, 'html.parser') #输出网页信息
#print(soup.prettify())
#with open('./read.html','w',encoding='utf-8') as f:
#两个内容是一样的 只是一个是标准缩进格式，另一个不是
#f.write(str(soup.prettify()))
#f.write(str(response))
'''
根据爬取网站不同，下面代码也会不一样
解析该网站某一期的所有音乐信息
主要包括：
期刊信息
期刊封面
期刊描述
节目清单
'''
#<span class="vol-number rounded">989</span>
num = soup.find('span',class_='vol-number').get_text() #<span class="vol-title">曙色初动</span> 解析标题 find每次只返回第一个元素
title = soup.find('span',class_='vol-title').get_text()
'''
<div class="vol-cover-wrapper" id="volCoverWrapper">
<img src="http://img-cdn2.luoo.net/pics/vol/554f999074484.jpg!/fwfh/640x452" alt="曙色初动" class="vol-cover">
<a href="http://www.luoo.net/vol/index/739" class="nav-prev" title="后一期" style="display: inline; opacity: 0;"> </a><a href="http://www.luoo.net/vol/index/737" class="nav-next" title="前一期" style="display: inline; opacity: 0;"> </a>
</div>
解析对应的图片背景
'''
cover = soup.find('img', class_='vol-cover').get('src')
'''
<div class="vol-desc">
本期音乐为史诗氛围类音乐专题。<br><br>史诗音乐的美好之处在于能够让人有无限多的宏伟想象。就像这一首首曲子，用岁月沧桑的厚重之声，铿锵有力的撞击人的内心深处，绽放出人世间的悲欢离合与决绝！<br><br>Cover From Meer Sadi
</div>
解析描述文本
'''
desc = soup.find('div', class_='vol-desc').get_text() '''
<a href="javascript:;" rel="nofollow" class="trackname btn-play">01. Victory</a>
<a href="javascript:;" rel="nofollow" class="trackname btn-play">02. Mythical Hero</a> 解析歌单 find_all返回一个列表 所有元素
'''
track_names = soup.find_all('a', attrs={'class': 'trackname'})
track_count = len(track_names)
tracks = []
# 12期前的音乐编号1~9是1位（如：1~9），之后的都是2位 1~9会在左边垫0（如：01~09）
for track in track_names:
_id = str(int(track.text[:2])) if (int(releate_url) < 12) else track.text[:2]
_name = fix_characters(track.text[4:])
tracks.append({'id': _id, 'name': _name}) phases = {
'phase': num, # 期刊编号
'title': title, # 期刊标题
'cover': cover, # 期刊封面
'desc': desc, # 期刊描述
'track_count': track_count, # 节目数
'tracks': tracks # 节目清单(节目编号，节目名称)
} #追加到队列
self.queue.put(phases) if __name__ == '__main__':
luoo_site = 'http://www.luoo.net/vol/index/' spyder_queue = queue.Queue() ## 创建新线程
luoo = UrlSpyder(luoo_site, releate_urls=['',''], que=spyder_queue)
luoo.setDaemon(True)
#开启线程
luoo.start() '''
从队列中取数据，并进行下载
'''
count = 1
while True:
if spyder_queue.qsize() <= 0:
time.sleep(10)
pass
else:
phases = spyder_queue.get()
print(phases)
#下载图片
download(phases['cover'],'%d.jpg'%(count))
count += 1
运行结果如下：
并爬取了如下两种图片：
注意：我们一般使用 urllib.urlretrieve()函数下载图片,文件等，但是不要使用这个函数下载网页，因为下载下来也是静态网页。如果要保存网页html内容，我们使用selenium获取网页内容，然后写入到指定文件：
with open(file_name, 'w',encoding='utf-8') as f:
f.write(self.browser.page_source)
三 使用selenium模拟登陆
刚才我们爬取的网站是不需要登陆的，如果遇到一个需要先登录，才能爬取数据怎么办？幸运的是selenium提供了模拟鼠标点击，和键盘输入的功能，下面我们将会演示一个登陆微博的程序，并利用微博进行搜索我们需要的内容，并把数据保存下来。
下面我先列入完整代码，一会一点点讲解：
# -*- coding: utf-8 -*-
"""
Created on Thu May 24 16:35:36 2018 @author: zy
"""
import os
import time
from selenium import webdriver
#from selenium.common.exceptions import NoSuchElementException
from bs4 import BeautifulSoup class WeiboSpyder():
'''
python爬虫——基于selenium用火狐模拟登陆爬搜索关键词的微博:https://blog.csdn.net/u010454729/article/details/51225388
0.安装火狐
1.安装selenium，可通过pip安装：pip install selenium
2.程序里面改三处：用户名、密码、搜过的关键词search_text
3.需要手动输入验证码，并且验证码大小写敏感，若是输错了，等3秒再输入。
4.爬下来了，用BeautifulSoup提取,并且将相同文本的放在一起，并且排序 时间：5秒一个，不可缩短，不然加载不出来下一页这个按钮，然后程序就挂了，若网速快些，延时可以短些。 在每个点击事件之前或者之后都加time.sleep(2)
'''
def __init__(self):
#微博登录用户名，用户命名
self.username_ = "你的用户名"
self.password_ = "你的密码"
self.href = 'http://s.weibo.com/' #获取火狐浏览器对象
self.browser = webdriver.Firefox(executable_path = r'D:\ff\geckodriver.exe')
#html请求
self.browser.get(self.href)
time.sleep(2) #获取网页右上登陆元素 并点击
login_btn = self.browser.find_element_by_xpath('//a[@node-type="loginBtn"]')
login_btn.click()
time.sleep(2) #获取选择账号登录元素 并点击
name_login = self.browser.find_element_by_xpath('//a[@action-data="tabname=login"]')
name_login.click()
time.sleep(2) #获取输入用户名,密码元素 并输入用户名和密码
username = self.browser.find_element_by_xpath('//input[@node-type="username"]')
password = self.browser.find_element_by_xpath('//input[@node-type="password"]')
username.clear()
username.send_keys(self.username_)
password.clear()
password.send_keys(self.password_) #获取提交登陆元素 并点击
sub_btn = self.browser.find_element_by_xpath('//a[@suda-data="key=tblog_weibologin3&value=click_sign"]')
sub_btn.click()
time.sleep(5) '''
#下面是验证码部分，如果需要验证码的化
while True:
try:
verify_img = browser.find_element_by_xpath('//img[@node-type="verifycode_image"]')
except NoSuchElementException:
break
if verify_img:
# 输入验证码
verify_code = browser.find_element_by_xpath('//input[@node-type="verifycode"]')
verify_code_ = input('verify_code > ')
verify_code.clear()
verify_code.send_keys(verify_code_) # 提交登陆
sub_btn = browser.find_element_by_xpath('//a[@suda-data="key=tblog_weibologin3&value=click_sign"]')
sub_btn.click()
time.sleep(2)
else:
break
'''
#获取搜索栏元素
#self.search_form = self.browser.find_element_by_xpath('//input[@class="searchInp_form"]') def get_weibo_search(self,search_text,max_length = 20):
'''
在网页中搜索指定信息,搜多到一页信息后，保存，然后搜索下一页信息，直至到max_length页
默认在当前路径下生成一个 名字为 search_text(去除下划线) 的文件夹，下面存放爬取得网页
args:
search_text：需要搜索的内容
max_length:最大爬取网页个数
return:
dst_dir:返回爬取网页所在的文件夹
'''
#将关键词送到搜索栏中，进行搜索
self.search_form = self.browser.find_element_by_xpath('//input[@class="searchInp_form"]')
self.search_form.clear()
self.search_form.send_keys(search_text)
time.sleep(5) #获取搜索按钮元素 只有窗口最大化 才有搜索按钮
self.search_btn = self.browser.find_element_by_xpath('//a[@class="searchBtn"]')
#点击搜索
self.search_btn.click()
#进入循环之前，让第一页先加载完全。
time.sleep(2) print('Try download html for : {}'.format(search_text))
topics_name = search_text
#将名字里面的空格换位_ 创建以搜索内容为名字的文件夹，保存爬取下来的网页
topics_name = topics_name.replace(" ","_")
os_path = os.getcwd()
dst_dir = os.path.join(os_path,topics_name)
if not os.path.isdir(dst_dir):
os.mkdir(dst_dir)
#捕获异常，有的搜索可能没有下一页 遇到错误会跳过
try:
count = 1
while count <= max_length:
'''
#保存网页 构建目标文件路径
'''
file_name = os.path.join(dst_dir,'{}_{}.html'.format(topics_name, count))
#必须指定编码格式
with open(file_name, 'w',encoding='utf-8') as f:
f.write(self.browser.page_source)
print('Page {} download finish!'.format(count)) time.sleep(3)
#获取下一页元素
self.next_page = self.browser.find_element_by_css_selector('a.next')
#next_page = browser.find_element_by_xpath('//a[@class="page next S_txt1 S_line1"]')
#有的时候需要手动按F5刷新，不然等太久依然还是出不来，程序就会挂，略脆弱。
self.next_page.click()
count += 1
#完成一轮之前，保存之前，先让其加载完，再保存 如果报错，可以通过调节时间长度去除错误
time.sleep(10)
except Exception as e:
print('Error:',e)
return dst_dir def get_weibo_text(self,file_name):
'''
将html文件里面的<p></p>标签的内容提取出来 args:
text:返回一个list 每一个元素都是p标签的内容
args:
file_name:html文件路径
'''
text = []
soup = BeautifulSoup(open(file_name,encoding='utf-8'),'lxml')
#获取tag为div class_="WB_cardwrap S_bg2 clearfix"的所有标签
items = soup.find_all("div",class_="WB_cardwrap S_bg2 clearfix")
if not items:
text = []
#遍历每一额标签，提取为p的子标签内容
for item in items:
line = item.find("p").get_text()
#print line
text.append(line)
return text def get_weibo_all_page(self,path):
'''
文件夹下所有文件内容提取出来，然后合并起来 args:
path:list 每个元素都是一个文件路径，加入我们在新浪搜索内容为火影忍者，则在当前路径下会生成一个为火影忍者的文件夹
path就是这个文件夹的路径
return:
texts_all:返回合并之后的内容 是一个list
'''
texts_all = []
file_names = os.listdir(path)
#遍历当前文件夹下每个文件
for file_name in file_names:
#将html文件里面的<p></p>标签的内容提取出来
texts = self.get_weibo_text(os.path.join(path,file_name))
#遍历每一个元素
for text in texts:
text = text.replace("\t","")
text = text.strip("\n")
text = text.strip(" ")
#若是重了，不加入到里面
if text in texts_all:
pass
else:
texts_all.append(text)
return texts_all def get_results_weibo(self,weibos_name):
'''
合并若干个文件夹下提取出来的微博 args：
weibos_name：list 每一个元素都是一个搜索项提取出来的文本文件
args: '''
texts = []
for file_name in weibos_name:
with open(file_name,encoding='utf-8') as f:
text = f.readlines()
for line in text:
line = line.strip("\n")
if line not in texts:
texts.append(line)
return texts if __name__ == '__main__':
print('开始搜索')
search = WeiboSpyder() #在新浪搜索中需要搜索内容
searchs_text = ["火影忍者","苍井空","波多野结衣"] #遍历要搜索的每一行
for search_text in searchs_text:
path = search.get_weibo_search(search_text,max_length=5)
texts_all = search.get_weibo_all_page(path)
#文本排序
texts_all_sorted = sorted(texts_all)
weibo_text_name = path + "_weibos.txt"
with open(weibo_text_name,"w",encoding='utf-8') as f:
#一行一行的写入
for text in texts_all_sorted:
f.write(text + "\n") #将几个_weibos.txt文件合并到一起
print("Together:")
file_names_weibos = [i for i in os.listdir(os.getcwd()) if i.endswith("_weibos.txt")]
texts = search.get_results_weibo(file_names_weibos)
with open("results.txt","w",encoding='utf-8') as f:
for text in sorted(texts):
f.write(text+"\n")
print("Together finish!")
微博的官网是http://s.weibo.com/，同样我们点击F12，打开网页：我们先获取右上角登陆按钮的标签信息：
我们怎样可以实现点击这个登陆的事件呢，在上面代码可以看到我定义了一个WeiboSpyder的类，其中在构造函数中负责网页的登陆功能。
我们首先通过向指定网址发送html请求，进行加载网页：
#获取火狐浏览器对象
self.browser = webdriver.Firefox(executable_path = r'D:\ff\geckodriver.exe')
#html请求
self.browser.get(self.href)
time.sleep(2)
然后通过find_element_by_xpath()函数获取登陆标签，获取该标签之后，我们触发点击事件，为了等到网页加载出来，我们在点击时候，睡眠2s。
#获取选择账号登录元素 并点击
name_login = self.browser.find_element_by_xpath('//a[@action-data="tabname=login"]')
name_login.click()
time.sleep(2)
同理，后面我们获取选择账号登陆标签，然后获取登陆名，登录密码元素，然后利用send_keys()方法输入登陆信息，最后获取登陆标签，开始登陆：
#获取选择账号登录元素 并点击
name_login = self.browser.find_element_by_xpath('//a[@action-data="tabname=login"]')
name_login.click()
time.sleep(2) #获取输入用户名,密码元素 并输入用户名和密码
username = self.browser.find_element_by_xpath('//input[@node-type="username"]')
password = self.browser.find_element_by_xpath('//input[@node-type="password"]')
username.clear()
username.send_keys(self.username_)
password.clear()
password.send_keys(self.password_) #获取提交登陆元素 并点击
sub_btn = self.browser.find_element_by_xpath('//a[@suda-data="key=tblog_weibologin3&value=click_sign"]')
sub_btn.click()
time.sleep(5)
由于这里不需要验证码登陆，我们就跳过验证码了，在下一个案例中我会教大家如何过验证码。
完成登陆后，我们在主程序中开始利用微博的搜索引擎搜索指定内容：
if __name__ == '__main__':
print('开始搜索')
search = WeiboSpyder() #在新浪搜索中需要搜索内容
searchs_text = ["火影忍者","苍井空","波多野结衣"] #遍历要搜索的每一行
for search_text in searchs_text:
path = search.get_weibo_search(search_text,max_length=5)
texts_all = search.get_weibo_all_page(path)
#文本排序
texts_all_sorted = sorted(texts_all)
weibo_text_name = path + "_weibos.txt"
with open(weibo_text_name,"w",encoding='utf-8') as f:
#一行一行的写入
for text in texts_all_sorted:
f.write(text + "\n") #将几个_weibos.txt文件合并到一起
print("Together:")
file_names_weibos = [i for i in os.listdir(os.getcwd()) if i.endswith("_weibos.txt")]
texts = search.get_results_weibo(file_names_weibos)
with open("results.txt","w",encoding='utf-8') as f:
for text in sorted(texts):
f.write(text+"\n")
print("Together finish!")
我在这里搜索的内容主要包括：
searchs_text = ["火影忍者","苍井空","波多野结衣"]
然后遍历每一项，开始调用get_weibo_search()方法：
def get_weibo_search(self,search_text,max_length = 20):
'''
在网页中搜索指定信息,搜多到一页信息后，保存，然后搜索下一页信息，直至到max_length页
默认在当前路径下生成一个 名字为 search_text(去除下划线) 的文件夹，下面存放爬取得网页
args:
search_text：需要搜索的内容
max_length:最大爬取网页个数
return:
dst_dir:返回爬取网页所在的文件夹
'''
#将关键词送到搜索栏中，进行搜索
self.search_form = self.browser.find_element_by_xpath('//input[@class="searchInp_form"]')
self.search_form.clear()
self.search_form.send_keys(search_text)
time.sleep(5) #获取搜索按钮元素 只有窗口最大化 才有搜索按钮
self.search_btn = self.browser.find_element_by_xpath('//a[@class="searchBtn"]')
#点击搜索
self.search_btn.click()
#进入循环之前，让第一页先加载完全。
time.sleep(2) print('Try download html for : {}'.format(search_text))
topics_name = search_text
#将名字里面的空格换位_ 创建以搜索内容为名字的文件夹，保存爬取下来的网页
topics_name = topics_name.replace(" ","_")
os_path = os.getcwd()
dst_dir = os.path.join(os_path,topics_name)
if not os.path.isdir(dst_dir):
os.mkdir(dst_dir)
#捕获异常，有的搜索可能没有下一页 遇到错误会跳过
try:
count = 1
while count <= max_length:
'''
#保存网页 构建目标文件路径
'''
file_name = os.path.join(dst_dir,'{}_{}.html'.format(topics_name, count))
#必须指定编码格式
with open(file_name, 'w',encoding='utf-8') as f:
f.write(self.browser.page_source)
print('Page {} download finish!'.format(count)) time.sleep(3)
#获取下一页元素
self.next_page = self.browser.find_element_by_css_selector('a.next')
#next_page = browser.find_element_by_xpath('//a[@class="page next S_txt1 S_line1"]')
#有的时候需要手动按F5刷新，不然等太久依然还是出不来，程序就会挂，略脆弱。
self.next_page.click()
count += 1
#完成一轮之前，保存之前，先让其加载完，再保存 如果报错，可以通过调节时间长度去除错误
time.sleep(10)
except Exception as e:
print('Error:',e)
return dst_dir
这个函数主要就做了以下事情:
- 将关键词送到搜索栏中，进行搜索
- 创建一个文件夹，把刚才搜索的网页保存下来
- 获取下一页元素，并触发点击事件，然后再把新的网页保存下来
- 重复上一步，直至保存了max_length页，或者触发的异常，停止搜索
- 返回文件夹路径
程序运行结果如下：
如果我们运行出现类似以下的错误：
这主要是因为我们页面没有加载完，所以才会找不到指定元素，我们可以通过延长睡眠时间解决该问题。
并且我们会生成三个文件夹：
为什么搜索苍井空和波多野结衣只有一条数据，主要是因为被屏蔽了：
后面的代码get_weibo_all_page()函数以及get_weibo_text()，get_results_weibo()函数就是利用BeautifulSoup对刚才获取的几个网页内容进行提取，这里就不过多介绍了，最终还会生成几个文件：
results.txt是对另外三个文件进行合并，内容如下：
四 爬取需要验证码的网站
其实爬取需要验证码网站和上一个案例是类似的，只不过需要我们输入验证码，如何过验证码主要有两种方式，一种是利用手动输入，还有一种是采用自动识别技术识别出验证码，验证码的识别需要对图像处理具有一定的基础，或者我们利用人工神经网络识别，但是这里为了简单，我们可以采用
tesseract.exe这个软件来识别，不过识别准确率很低，这个软件使用之前需要准备工作
- 下载tesseract.exe https://www.polarxiong.com/archives/python-pytesser-tesseract.html，安装在D:\Tesseract-OCR
- 配置环境变量 TESSDATE PREFIX = D:\Tesseract-OCR
然后我们可以安装相对应的python库，来调用该软件：
pip install pytesser3
不过我使用的时候总是报错，因此就把该库下载了，并修改了原来库的代码，保存在pytesser.py
# -*- coding: utf-8 -*-
"""
Created on Sat May 26 09:19:09 2018 @author: lenovo
"""
import subprocess
import os
from PIL import Image '''
使用之前需要准备工作
1.下载tesseract.exe https://www.polarxiong.com/archives/python-pytesser-tesseract.html
安装在D:\Tesseract-OCR
2.配置环境变量 TESSDATE PREFIX = D:\Tesseract-OCR
''' pwd = os.getcwd()
#tesseract.exe在命令行调用的命令 或者tesseract.exe文件的全路径
tesseract_exe_name = 'D:\\Tesseract-OCR\\tesseract'
#把图像保存成tesseract兼容格式bmp
scratch_image_name = pwd + os.sep + "temp.bmp"
#识别后txt文件保存的路径
scratch_text_name_root = pwd + os.sep + "temp"
#识别之后是否清楚生成的临时文件
cleanup_scratch_flag = True def image_to_scratch(im, scratch_image_name):
'''
Saves image in memory to scratch file. .bmp format will be read correctly by Tesseract
保存图像到路径scratch_image_name 即把图片转换成Tesseract兼容格式 bmp
'''
im.save(scratch_image_name, dpi=(200,200)) def retrieve_text(scratch_text_name_root):
'''
从识别的txt文件中读取文本
'''
with open(scratch_text_name_root + '.txt','r',encoding='utf-8') as f:
text = f.read()
return text def perform_cleanup(scratch_image_name, scratch_text_name_root):
'''
清除临时文件
'''
for name in (scratch_image_name, scratch_text_name_root + '.txt', "tesseract.log"):
try:
os.remove(name)
except OSError:
pass def call_tesseract(input_filename, output_filename):
'''
Calls external tesseract.exe on input file (restrictions on types),
outputting output_filename +"txt"
调用 tesseract.exe识别图片
'''
print(tesseract_exe_name,input_filename,output_filename)
args = [tesseract_exe_name, input_filename, output_filename]
proc = subprocess.Popen(args)
retcode = proc.wait()
if retcode!=0:
print('Open process error') def image_to_string(im, cleanup = cleanup_scratch_flag):
"""Converts im to file, applies tesseract, and fetches resulting text.
If cleanup=True, delete scratch files after operation."""
try:
#保存图片为scratch_image_name
image_to_scratch(im, scratch_image_name)
#调用tesseract生成识别文本
call_tesseract(scratch_image_name, scratch_text_name_root)
# 提取文本内容
text = retrieve_text(scratch_text_name_root)
finally:
if cleanup:
perform_cleanup(scratch_image_name, scratch_text_name_root)
return text def image_file_to_string(filename, cleanup = cleanup_scratch_flag, graceful_errors=True):
"""Applies tesseract to filename; or, if image is incompatible and graceful_errors=True,
converts to compatible format and then applies tesseract. Fetches resulting text.
If cleanup=True, delete scratch files after operation."""
try:
try:
call_tesseract(filename, scratch_text_name_root)
text = retrieve_text(scratch_text_name_root)
except:
im = Image.open(filename)
text = image_to_string(im, cleanup)
finally:
if cleanup:
perform_cleanup(scratch_image_name, scratch_text_name_root)
return text
下面我以爬取超星网站的评论数据为例：网址http://passport2.chaoxing.com/login?fid=2218&refer=http://i.mooc.chaoxing.com
按下F12，打开该网址，我们可以看到有一处需要输入验证码：
同样我定义了一个chaoxingSpy类，其中有两个函数是用来处理验证码的：
def read_code(self,file=None,auto=True):
'''
识别验证码 args:
file:验证码图片所在本机路径，如果为None，则自动从网页中截取验证码图片保存到'./code.jpg'
auto：表示是否自动识别 为True：自动识别 False:手动识别 自动识别准确的不高
'''
'''
对验证码进行区域截图，并保存
'''
if file is None:
#裁切后的验证码路径
file = './code.jpg'
#对网页进行全截图
self.browser.get_screenshot_as_file('./all.jpg')
img = Image.open('./all.jpg')
#设置要裁剪的区域
box = (490,340,570,370)
#裁切
region = img.crop(box)
#RGBA to RGB
region= region.convert('RGB')
region.save(file)
print('图片裁切成功!')
else:
img = Image.open(file) if auto:
verify_code = self.image_file_to_string(file)
else:
#显示图片
region.show()
#手动输入验证码 获取验证码输入元素
verify_code = input('verify_code > ')
return verify_code def image_file_to_string(self,file):
'''
图像增强，自动识别简单验证码 args:
file：验证码文件的路径
return:
code：识别的验证码
'''
img = Image.open(file)
#图像加强，二值化
imgry = img.convert('L')
#对比度增强
sharpness = ImageEnhance.Contrast(imgry)
sharp_img = sharpness.enhance(2.0)
#保存
sharp_img.save(file) code = pytesser.image_file_to_string(file)
#去除非数字
new_code = ''
for i in code:
if i in '':
new_code += i print('识别的验证码为:',new_code)
return new_code
当read_code()函数的auto参数传入False时，表示手动输入验证码，即在程序运行的时候，我们利用input()函数读取我们控制台输入的验证码，然后返回验证码的值。当传入True的时候，我们通过调用tesseract.exe识别验证码，为了提高准确率，我们事先对图像进行了处理，默认下我们截取当前网页的验证码图片，然后通过对图片二值化，对比度增强处理然后在进行自动识别。
完整代码如下：
# -*- coding: utf-8 -*-
"""
Created on Fri May 25 18:04:13 2018 @author: zy
""" # -*- coding: utf-8 -*-
"""
Created on Thu May 24 16:35:36 2018 @author: zy
"""
import time
from selenium import webdriver
from selenium.common.exceptions import NoSuchElementException
import urllib.request as urllib
from PIL import Image,ImageEnhance
import pytesser '''
webdriver使用说明：https://wenku.baidu.com/view/d64005c6af45b307e9719715.html
''' class chaoxingSpy():
def __init__(self):
'''
登录系统
'''
#登录用户名，用户命名
self.username_ = "你的用户名"
self.password_ = "你的密码"
url = 'http://passport2.chaoxing.com/login?fid=2218&refer=http://i.mooc.chaoxing.com'
#获取火狐浏览器对象
self.browser = webdriver.Firefox(executable_path = r'D:\ff\geckodriver.exe')
#html请求
self.browser.get(url)
#存放登录前后的cookies
self.cookies = {'before':'','after':''}
self.cookies['before'] = self.browser.get_cookies()
print('登陆前：\n')
for cookie in self.cookies['before']:
print('%s -> %s' % (cookie['name'], cookie['value'])) #登录系统，循环尝试登录，登录成功，就会抛异常，跳出循环继续执行
while True:
try:
#获取登录用户名元素
username = self.browser.find_element_by_id('unameId')
#获取登录密码元素
password = self.browser.find_element_by_id('passwordId')
#输入用户名和密码
username.clear()
username.send_keys(self.username_)
password.clear()
password.send_keys(self.password_) #判断是否需要输入验证码
try:
#获取验证码图片
verify_img = self.browser.find_element_by_id('numVerCode')
#获取验证码url 就是验证码产生的网页
#code_src= verify_img.get_attribute('src')
except NoSuchElementException:
print('不需要输入验证码进行验证!') if verify_img:
#获取验证码
verify_code_ = self.read_code(auto=False)
verify_code = self.browser.find_element_by_id('numcode')
verify_code.clear()
verify_code.send_keys(verify_code_) #提交登录
login_btn = self.browser.find_element_by_xpath('//input[@class="zl_btn_right"]')
login_btn.click()
time.sleep(3)
#判断是否已经登录进系统
if url == self.browser.current_url:
#刷新网页
self.browser.refresh() except:
#cookies = self.browser.get_cookies()
print('登录成功！')
#存放登录前后的cookies
self.cookies['after'] = self.browser.get_cookies()
print('登陆后:\n')
for cookie in self.cookies['after']:
print('%s -> %s' % (cookie['name'], cookie['value']))
break #利用登陆后的cookies 跳转到需要爬取的页面
url = 'http://mooc1.chaoxing.com/mycourse/teachercourse?moocId=93196686&clazzid=3216311&edit=true'
self.browser.get(url)
time.sleep(2)
#点击超链接打开一个新的窗口
moretipic_a = self.browser.find_element_by_xpath('//a[@class="moreTopic"]')
moretipic_a.click()
time.sleep(2)
#0是第一个打开的窗口 1是最后一个打开的窗口 转到最后一个窗口 超链接的点击最好都要加这句代码
#https://www.cnblogs.com/nullbaby/articles/7205247.html
#https://www.cnblogs.com/studyddup0212/p/9030455.html
self.browser.switch_to_window(self.browser.window_handles[1])
time.sleep(2) def get_text(self):
'''
获取所有的文本
'''
texts = []
count = 1
#写文件
with open('./out_topics.txt', 'w',encoding='utf-8') as f:
'''
爬取文件夹外部数据
'''
txts = self.get_url_txt()
for txt in txts:
txt = '%s. %s'%(count,txt)
texts.append(txt)
f.write(txt)
count += 1
print('外部数据写入成功!')
'''
遍历每一个文件夹的数据
'''
with open('./in_topics.txt', 'w',encoding='utf-8') as f:
folder_urls = self.spyder_folder()
for url in folder_urls:
txts = self.get_url_txt(url)
for txt in txts:
txt = '%s. %s'%(count,txt)
texts.append(txt)
f.write(txt)
count += 1
print('文件夹数据写入成功!') def get_url_txt(self,url=None):
'''
遍历一个网页中的所有数据 args:
url:网页网址 如果是None，就是从当前网页读取数据
return:
texts:获取所有数据 list类型 每个元素对应一行数据
'''
texts = []
if url:
#html请求
self.browser.get(url)
time.sleep(2)
count = 1
while True:
try:
#如果有查看更多，获取查看更多的超链接 循环次数越多，等待时间越长
getmoretopic_a = self.browser.find_element_by_id('getMoreTopic')
getmoretopic_a.click()
time.sleep(5)
print(count,' 点击查看更多成功!')
count += 1
if count> 40:
self.browser.switch_to_window(self.browser.window_handles[1])
time.sleep(20)
break
except:
self.browser.switch_to_window(self.browser.window_handles[1])
time.sleep(5)
break
#获取所有话题
divlist = self.browser.find_elements_by_class_name('content1118')
#遍历每一个话题
for div in divlist:
name = div.find_element_by_class_name('name').text
date = div.find_element_by_class_name('gray').text
text = div.find_element_by_class_name('stuFont').find_element_by_tag_name('span').text
row = '%s %s : %s\n'%(date,name,text)
texts.append(row)
#print(row)
print('Download from {0} finish!'.format(self.browser.current_url))
return texts def spyder_folder(self):
'''
爬取所有的文件夹路径 args:
folderList：list每一个元素对应一个文件夹的网址
'''
ul = self.browser.find_element_by_xpath('//ul[@class="folderList"]')
folderList = []
alist = ul.find_elements_by_tag_name('a')
for a in alist:
folderList.append(a.get_attribute('href'))
return folderList def read_code(self,file=None,auto=True):
'''
识别验证码 args:
file:验证码图片所在本机路径，如果为None，则自动从网页中截取验证码图片保存到'./code.jpg'
auto：表示是否自动识别 为True：自动识别 False:手动识别 自动识别准确的不高
'''
'''
对验证码进行区域截图，并保存
'''
if file is None:
#裁切后的验证码路径
file = './code.jpg'
#对网页进行全截图
self.browser.get_screenshot_as_file('./all.jpg')
img = Image.open('./all.jpg')
#设置要裁剪的区域
box = (490,340,570,370)
#裁切
region = img.crop(box)
#RGBA to RGB
region= region.convert('RGB')
region.save(file)
print('图片裁切成功!')
else:
img = Image.open(file) if auto:
verify_code = self.image_file_to_string(file)
else:
#显示图片
region.show()
#手动输入验证码 获取验证码输入元素
verify_code = input('verify_code > ')
return verify_code def image_file_to_string(self,file):
'''
图像增强，自动识别简单验证码 args:
file：验证码文件的路径
return:
code：识别的验证码
'''
img = Image.open(file)
#图像加强，二值化
imgry = img.convert('L')
#对比度增强
sharpness = ImageEnhance.Contrast(imgry)
sharp_img = sharpness.enhance(2.0)
#保存
sharp_img.save(file) code = pytesser.image_file_to_string(file)
#去除非数字
new_code = ''
for i in code:
if i in '':
new_code += i print('识别的验证码为:',new_code)
return new_code def download(self,url,dstpath=None):
'''
利用urlretrieve()这个函数可以直接从互联网上下载文件保存到本地路径下 args:
url：网页文件或者图片以及其他数据路径
dstpath:保存全路况
'''
if dstpath is None:
dstpath = './code.jpg'
try:
urllib.urlretrieve(url,dstpath)
print('Download from {} finish!'.format(url))
except Exception as e:
print('Download from {} fail!'.format(url)) if __name__ == '__main__':
#加载页面
spy = chaoxingSpy()
spy.get_text()
我们主要是爬取下面网页中的评论人时间，评论人姓名，评论人内容：
注意：在程序运行时如点击下面的查看更多话题，会创建一个新的窗口：
而我们需要获取的数据保存在讨论列表页面的话，这时候我们需要切换窗口，代码如下：
#点击超链接打开一个新的窗口
moretipic_a = self.browser.find_element_by_xpath('//a[@class="moreTopic"]')
moretipic_a.click()
time.sleep(2)
#0是第一个打开的窗口 1是最后一个打开的窗口 转到最后一个窗口 超链接的点击最好都要加这句代码
#https://www.cnblogs.com/nullbaby/articles/7205247.html
#https://www.cnblogs.com/studyddup0212/p/9030455.html
self.browser.switch_to_window(self.browser.window_handles[1])
time.sleep(2)
程序运行后，会生成另个文件out_topics.txt和in_topics.txt，下面我们显示其中一个文件的的内容：
为了避免我们每次都要进行登录，我们可以利用cookies绕过登录，详细内容可以搜索其他博客。
参考文献
[2]python爬虫——基于selenium用火狐模拟登陆爬搜索关键词的微博
[4]selenium - switch_to.window() - 多窗口切换
[5]Python 爬虫入门（四）—— 验证码上篇（主要讲述验证码验证流程，不含破解验证码）