11.xpath实战、selenium模块
xpath爬取城市数据
地址:https://www.aqistudy.cn/historydata/ 需求:爬取热门城市及其他城市
思路:
1.研究数据加载规律发送请求
经过研究后发现是直接加载数据的,可以直接向网页发出get请求。
2.针对所需数据研究规律使用xpath解析
热门城市在div class="hot" 中,其他城市在div class="all"中。
寻找热门城市的xpath语句:
hot_city = tree.xpath('//div[@class="hot"]/div[2]/ul/li/a/text()')
寻找全部城市的xpath语句:
all_city = tree.xpath('//div[@class="all"]/div[2]/ul/div[2]/li/a/text()')
使用xpath的规律就在于先明确你需要查找的标签,之后往上多看几层具有一定特征的父标签,之后依次逐层查找即可。
完整代码:
import requests from lxml import etree # 1.发送请求获取页面数据 res = requests.get("https://www.aqistudy.cn/historydata/", headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36'}) # 2.查看是否有防爬和编码问题 # print(res.text) # 校验User-Agent # 3.生成一个xpath对象 tree = etree.HTML(res.text) # 4.研究标签规律,书写xpath提取对应数据 # 获取热门城市 hot_city = tree.xpath('//div[@class="hot"]/div[2]/ul/li/a/text()') # 获取全部城市 all_city = tree.xpath('//div[@class="all"]/div[2]/ul/div[2]/li/a/text()') # 一次性查找所有的城市名称(拼接列表) citys_name = tree.xpath('//div[@class="hot"]/div[2]/ul/li/a/text() | //div[@class="all"]/div[2]/ul/div[2]/li/a/text()') print(citys_name)View Code
Xpath爬取猪八戒数据
这个网站昨天我们试过,所以今天就单刀直入讲过程了。
地址:shanghai.zbj.com/search 需求:公司名称、地址、价格、成交量、描述信息,并且保存为excel文件
思路:
1.研究数据加载规律发送请求
经过研究后发现是直接加载数据的,可以直接向网页发出get请求。
2.针对所需数据研究规律使用xpath解析
每个项目都在class="new-service-wrap"中,只需逐一查找各个内容所在的标签即可。
3.再利用openpyxl模块写入数据
4.研究分页规律持久化多页数据
完整代码:
import requests from lxml import etree from openpyxl import Workbook # 建立excel文件 wb = Workbook() wb1 = wb.create_sheet('订单数据', 0) wb1.append(['公司名称', '公司地址', '订单价格', '历史成交', '订单描述']) # 定义表头 # 1.发送请求获取页面数据 res = requests.get('https://shanghai.zbj.com/search/f/', params={'kw': 'python'}) # 2.生成xpath对象 tree = etree.HTML(res.text) # 3.研究标签规律,书写xpath # 先查找所有含有数据的div,然后依次循环 div_list = tree.xpath('//div[@class="new-service-wrap"]/div') for div in div_list: # 3.1公司名称 origin_comp_name = div.xpath('./div/div/a/div[1]/p/text()') # 在该网站上有广告位,所以可以先筛选掉 if not origin_comp_name: continue comp_name = origin_comp_name[-1].strip('\n') # 3.2公司地址 origin_address = div.xpath('./div/div/a/div[1]/div/span/text()') address = origin_address[0] # 3.3订单价格 origin_price = div.xpath('./div/div/a[2]/div[2]/div[1]/span[1]/text()') price = origin_price[0] # 3.4历史成交 origin_duel_num = div.xpath('./div/div/a[2]/div[2]/div[1]/span[2]/text()') duel_num = origin_duel_num[0] # 3.5订单描述 origin_desc = div.xpath('./div/div/a[2]/div[2]/div[2]/p/text()') desc = 'python'.join(origin_desc) # 上一步筛选出来的数据会少掉python字符串,所以这里加上 wb1.append([comp_name, address, price, duel_num, desc]) # 将所有数据写入excel文件中 # 保存excel文件 wb.save(r'猪八戒订单数据.xlsx')View Code
Xpath爬取贴吧图片数据
需求: 1.贴吧名称是用户自己指定,不是固定的一个。 2.所有的图片都需要自动保存到以贴吧名称命名的文件夹内
提示:在编写程序的时候我们可以先以一个贴吧为例,程序主体完成之后再换成用户输入即可。贴吧图片支持多页爬取。
前期地址研究
我们先登录几个贴吧看看规律。
火影忍者吧:https://tieba.baidu.com/f?ie=utf-8&kw=%E7%81%AB%E5%BD%B1%E5%BF%8D%E8%80%85&fr=search 三国全面战争吧:https://tieba.baidu.com/f?ie=utf-8&kw=%E4%B8%89%E5%9B%BD%E5%85%A8%E9%9D%A2%E6%88%98%E4%BA%89&fr=search 潜行者吧:https://tieba.baidu.com/f?ie=utf-8&kw=%E6%BD%9C%E8%A1%8C%E8%80%85&fr=search
通过分析三个贴吧网址,我们可以看见真正有变化的是kw参数,该参数携带的是一串二进制数据,输入到网站搜索栏后就会自动解码为汉字,所以不用管它们到底是什么意思。
接着来研究一下页码的规律。
https://tieba.baidu.com/f?kw=%E6%BD%9C%E8%A1%8C%E8%80%85&ie=utf-8&pn=50 第二页 https://tieba.baidu.com/f?kw=%E6%BD%9C%E8%A1%8C%E8%80%85&ie=utf-8&pn=100 第三页 https://tieba.baidu.com/f?kw=%E6%BD%9C%E8%A1%8C%E8%80%85&ie=utf-8&pn=150 第四页
页码变更的核心就在于pn参数。第一页就是pn=0。
整体逻辑:先获取每个帖子的链接,之后请求再筛选图片。
注意:度娘和谐力度相当大,一定要记得加上时停,间隔太短依然会有封ip风险!!!
完整代码:
import requests from lxml import etree import os import time # 获取用户想要爬取的贴吧名称 tieba_name = input('请输入你想要爬取的贴吧名称>>>:').strip() # 判断当前贴吧名称是否存在对应的文件夹 if not os.path.exists(tieba_name): os.mkdir(tieba_name) # 1.发送请求 res = requests.get('https://tieba.baidu.com/f', params={'kw': tieba_name} ) # 2.生成一个xpath对象 tree = etree.HTML(res.text) # 3.查找所有帖子的链接地址 a_link_list = tree.xpath('//a[@class="j_th_tit "]/@href') base_url = 'https://tieba.baidu.com' # 4.循环获取每一个帖子链接 拼接成完整的地址 再发送请求 for link in a_link_list: full_link = base_url + link # 5.发送详情页请求获取页面数据 res1 = requests.get(full_link) tree1 = etree.HTML(res1.text) # 6.筛选图片链接地址 img_src_list = tree1.xpath('//img[@class="BDE_Image"]/@src') # 7.循环请求每个图片地址 并保存图片 for img_src in img_src_list: res2 = requests.get(img_src) file_path = os.path.join(tieba_name,img_src[-15:]) with open(file_path,'wb') as f: f.write(res2.content) time.sleep(3)View Code
selenium模块
准备工作
selenium模块是一款自动化操作模块,性能没有requests高,两者可以结合使用。
selenium模块原本仅仅是测试领域中的一款测试工具,但是由于其可以操作浏览器,所以逐步也被应用到了爬虫领域。
使用selenium模块可以避免很多防爬措施,但由于需要操控浏览器,所以效率上偏慢。
1.模块下载
pip3 install selenium
2.驱动下载(必备条件)
该模块是用来操作浏览器的,需要相应的驱动软件。
注意:有时候下载了驱动可能也无法操作浏览器
原因:可能是因为驱动版本不对
措施:重新一个版本的驱动
注意:不同的浏览器需要下载不同的驱动文件
3.驱动文件的存放位置
1.当前编程环境下(不推荐) 2.任意位置只要能记住绝对路径(不推荐) 3.存放到python解释器scripts文件夹内即可(一劳永逸,推荐)
4.验证
接下来我们就可以调用模块验证一下了。
from selenium import webdriver import time # 指定操作的浏览器驱动 bro = webdriver.Chrome() # 控制浏览器访问网站数据 bro.get("http://www.baidu.com") # 关闭浏览器窗口 time.sleep(3) bro.close()
基本操作
# 1、find_element_by_id 根据id找 # div_tag = bro.find_element_by_id('s-top-left') # 2、find_element_by_link_text 根据链接名字找到控件(a标签的文字) # a_tag = bro.find_element_by_link_text("新闻") # 3、find_element_by_partial_link_text 根据链接名字找到控件(a标签的文字)模糊查询 # 4、find_element_by_tag_name 根据标签名 # 5、find_element_by_class_name 根据类名 # 6、find_element_by_name 根据属性名 # 7、find_element_by_css_selector 根据css选择器 # 8、find_element_by_xpath 根据xpath选择
上述方法都是用来找符合条件的单个数据的,想要找所有符合条件的数据,只需要把与剧中的element改成elements(多加个s)就可以了。
find_element与find_elements的区别就在于前者只会找到符合条件的第一个数据,后者是所有数据。两者的关系相当于bs4模块里面的find与find_all。