使用selenium webdriver+beautifulsoup+跳转frame，实现模拟点击网页下一页按钮，抓取网页数据

Posted 2020-10-12 viczhang

　　记录一次快速实现的python爬虫，想要抓取中财网数据引擎的新三板板块下面所有股票的公司档案，网址为http://data.cfi.cn/data_ndkA0A1934A1935A1986A1995.html。

　　比较简单的网站不同的页码的链接也不同，可以通过观察链接的变化找出规律，然后生成全部页码对应的链接再分别抓取，但是这个网站在换页的时候链接是没有变化的，因此打算去观察一下点击第二页时的请求

 

 

 

　　发现使用的是get的请求方法，并且请求里有curpage这个参数，貌似控制着不同页数，于是改动了请求链接中的这个参数值为其他数值发现并没有变化，于是决定换一种方法，就是我们标题中提到的使用selenium+beautifulsoup实现模拟点击网页中的下一页按钮来实现翻页，并分别抓取网页里的内容。

　　首先我们先做一下准备工作，安装一下需要的包，打开命令行，直接pip install selenium和pip install beautifulsoup4 

　　然后就是下载安装chromedriver的驱动，网址如下https://sites.google.com/a/chromium.org/chromedriver/downloads，记得配置下环境变量或者直接安装在工作目录下。（还可以使用IE、phantomJS等）

　　这里我们先抓取每一个股票对应的主页链接，代码如下（使用python2）：

 

 1 # -*- coding: utf-8 -*-
 2 from selenium import webdriver
 3 from bs4 import BeautifulSoup
 4 import sys
 5 reload(sys)
 6 sys.setdefaultencoding(\'utf-8\')
 7 
 8 def crawl(url):
 9     driver = webdriver.Chrome()
10     driver.get(url)
11     page = 0
12     lst=[]
13     with open(\'./url.txt\',\'a\') as f:
14         while page < 234:
15             soup = BeautifulSoup(driver.page_source, "html.parser")
16             print(soup)
17             urls_tag = soup.find_all(\'a\',target=\'_blank\')
18             print(urls_tag)
19             for i in urls_tag:
20                 if i[\'href\'] not in lst:
21                     f.write(i[\'href\']+\'\\n\')
22                     lst.append(i[\'href\'])
23             driver.find_element_by_xpath("//a[contains(text(),\'下一页\')]").click()
24             time.sleep(2)
25     return \'Finished\'
26 def main():
27     url = \'http://data.cfi.cn/cfidata.aspx?sortfd=&sortway=&curpage=2&fr=content&ndk=A0A1934A1935A1986A1995&xztj=&mystock=\'
28     crawl(url)
29 if __name__ == \'__main__\':
30     main()

 

　　　　运行代码发现总是报错：

　　　　这里报错的意思是找不到想要找的按钮。

　　　　于是我们去查看一下网页源代码：

　　　　发现网页分为不同的frame，所以我们猜想应该需要跳转frame，我们需要抓取的链接处于的frame的name为“content”，所以我们添加一行代码：driver.switch_to.frame(\'content\')

def crawl(url):
    driver = webdriver.Chrome()
    driver.get(url)
    driver.switch_to.frame(\'content\')
    page = 0
    lst=[]
    with open(\'./url.txt\',\'a\') as f:
        while page < 234:
            soup = BeautifulSoup(driver.page_source, "html.parser")
            print(soup)
            urls_tag = soup.find_all(\'a\',target=\'_blank\')
            print(urls_tag)
            for i in urls_tag:
                if i[\'href\'] not in lst:
                    f.write(i[\'href\']+\'\\n\')
                    lst.append(i[\'href\'])
            driver.find_element_by_xpath("//a[contains(text(),\'下一页\')]").click()
            time.sleep(2)
    return \'Finished\'

　　　　至此，运行成：

参考博文链接：　　　　　　　　　　http://unclechen.github.io/2016/12/11/python%E5%88%A9%E7%94%A8beautifulsoup+selenium%E8%87%AA%E5%8A%A8%E7%BF%BB%E9%A1%B5%E6%8A%93%E5%8F%96%E7%BD%91%E9%A1%B5%E5%86%85%E5%AE%B9/

http://www.cnblogs.com/liyuhang/p/6661835.html