Python数据挖掘(爬虫强化)

Posted 2020-12-03 James·Joshua

（我喜欢雨天，因为雨天我可以回到童年踩水花！哈！）

2018年 --7月--12日 ： 多云又暴雨 T—T

前言

我要把爬虫的终极利器介绍一下，这个只要是我们肉眼能看到的，就算在源码中或者在json中，或是post也无法得到的数据，我们都可以获取到，雷同F12后源码暴露在你面前一样！

这次需要用到selenium家族的一些成员，它们各司其职，各个身怀绝技。

先介绍一下selenium模块：Selenium is a suite of tools specifically for automating web browsers.（Selenium是一套专门用于自动化web浏览器的工具。）

---：（这里补充一下，在需要用到这种大型模块的时候，一定要去读官方文档，不要去听百度里面和一些断章取义的人瞎写的内容，他们更容易把你带偏。）

这个Selenium模块主要是应对我们自动浏览网页数据所需要用的，让程序来执行半智能，前提你要教会它去做什么事情！

直接介绍此次所需要用到的家族模块：

1 from selenium import webdriver
2 import time
3 from selenium.webdriver.common.keys import Keys
4 from selenium.webdriver.common.action_chains import ActionChains
5 from selenium.webdriver.common.by import By

一、每一个解释一下哈，按顺序对号：

1、主模块的嵌入，主要是应对控制程序自动打开浏览器浏览网页功能。

2、作为开发人员，尤其是对网页自动化测试的开发工具必须需要time模块来制约程序的访问时间，因为可能网站会直接把你IP封掉。

3、selenium 模块家族成员Keys，此成员是应当以模拟键盘操作，应对模拟输入用户登录名和密码，或者价值数据索引输入。

4、selenium 模块家族成员ActionChains，它则是应对模拟鼠标操作，对与鼠标的双击，单击，左右键，应对我们翻页，搜索按钮的点击功能。

5、selenium 模块家族成员By,这个则是我们要教会它所要做的事情，也是我们数据挖掘又要用到的核心价值功能之一，应对价值数据抓取。

二、开发初步：

1、操作程序打开浏览器并打开我们需要进入的网页：

 

1 url = \'https://www.xxx.com\'
2 driver=webdriver.Chrome()
3 driver.get(url)
4 time.sleep(5)
5 driver.quit()

 

这里可以自己测试一下，我所使用的是Google的浏览器，你们可以尝试使用Firefox,他们有一些的区别，主要是站点的区别！

2、进入页面后锁定tag

html:

1 <div id="aaa" class="bbb" name="ccc">
2     <p></p>
3     <p><a></p>
4 </div>

python:

 1 element = driver.find_element_by_id("aaa")
 2 frame = driver.find_element_by_tag_name("div")
 3 cheese = driver.find_element_by_name("ccc")
 4 cheeses = driver.find_elements_by_class_name("bbb")
 5 
 6 or
 7 
 8 from selenium.webdriver.common.by import By
 9 element = driver.find_element(by=By.ID, value="aaa")
10 frame = driver.find_element(By.TAG_NAME, "div")
11 cheese = driver.find_element(By.NAME, "ccc")
12 cheeses = driver.find_elements(By.CLASS_NAME, "bbb")

这里每一个都是锁定tag树，它们都是根据id，class，name，tagname来定义的。

1 xpath_class = driver.find_element_by_xpath(\'//div[@class="bbb"]/p\')
2 xpath_id = driver.find_element_by_xpath(\'//div[@id="aaa"]/p\')

这是通用方法的，Xpath方法，它们都输属于解析网页的内容锁定tag。

3、处理操作：

当我们锁定功能键的tag属性的时候，我们就可以进一步操作，比如换页，搜索功能的实现，对于模拟键盘输入的可以参考我的另一篇博客，《python自动化爬虫》

这里我们就介绍一下模拟鼠标的操作：

1 elem = driver.find_element_by_xpath(\'//a[@id="tagname"]\')
2 ActionChains(driver).double_click(elem).perform()
3 time.sleep(3)

因为时间问题，我只是介绍一下鼠标左键单击换页操作，其他的何以参考一下官方文档：Selenium Webdrive

ActionChains：锁定浏览器，double_click锁定tag标签树，.perform()：点击标签树

4、获取价值数据

这里的操作类似与Xpath的语法：

 

driver.find_elements_by_tag_name(\'td\')[3].text
driver.find_elements_by_tag_name(\'a\').get_attribute(\'href\')

 

这里注意一下elements，指所有的tag-> a比标签的href，这里是list格式，需要遍历。

5、最后来一串完整代码：

 1 from selenium import webdriver
 2 import time
 3 import lxml.html as HTML
 4 from bs4 import BeautifulSoup
 5 from selenium.webdriver.common.keys import Keys
 6 from selenium.webdriver.common.action_chains import ActionChains
 7 from pymongo import MongoClient,ASCENDING, DESCENDING
 8 from selenium.webdriver.common.by import By
 9 def parser():
10       url = \'https://www.xxx.com\'
11       driver=webdriver.Chrome()
12       driver.get(url)
13       time.sleep(5)
14       for i in range(1,675):
15             a = driver.find_element_by_xpath(\'//div[@class="aaa"]\')
16             tr =  a.find_elements_by_tag_name(\'tr\')
17             for j in xrange(1,len(tr)):
18                   quantity = tr[j].find_elements_by_tag_name(\'td\')[3].text
19                   producturl = tr[j].find_elements_by_tag_name(\'td\')[0].find_elements_by_tag_name("div")[1].find_element_by_tag_name(\'ul\').find_element_by_tag_name(\'li\').find_element_by_tag_name(\'a\').get_attribute(\'href\')
20                   producturl_db(producturl,quantity)
21             elem = driver.find_element_by_xpath(\'//a[@id="eleNextPage"]\')
22             ActionChains(driver).double_click(elem).perform()
23             time.sleep(3)
24       
25       driver.quit()

selenium有个小GUB，就是在用Xpath的时候，你已经找到父级tag，但是这个父级很多，比如tr，你如果遍历它，寻找td的话，那么你还是使用find_elements_by_tag_name，因为那个会初始化，不会管你找到那个父级。所以这里是需要注意的！
最后祝你们加油！！！！！