使用selenium爬虫抓取数据

Posted longronglang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了使用selenium爬虫抓取数据相关的知识,希望对你有一定的参考价值。

写在前面

本来这篇文章该几个月前写的,后来忙着忙着就给忘记了。
ps:事多有时候反倒会耽误事。
几个月前,记得群里一朋友说想用selenium去爬数据,关于爬数据,一般是模拟访问某些固定网站,将自己关注的信息进行爬取,然后再将爬出的数据进行处理。
他的需求是将文章直接导入到富文本编辑器去发布,其实这也是爬虫中的一种。
其实这也并不难,就是UI自动化的过程,下面让我们开始吧。

准备工具/原料

1、java语言
2、IDEA开发工具
3、jdk1.8
4、selenium-server-standalone(3.0以上版本)

步骤

1、分解需求:

  • 需求重点主要是要保证原文格式样式都保留:
  • 将要爬取文章,全选并复制
  • 将复制后的文本,粘贴到富文本编辑器中即可

2、代码实现思路:

  • 键盘事件模拟CTRL+A全选
  • 键盘事件模拟CTRL+C复制
  • 键盘事件模拟CTRL+V粘贴

3、实例代码

import org.junit.AfterClass;
import org.junit.BeforeClass;
import org.junit.Test;
import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;

import java.awt.*;
import java.awt.event.KeyEvent;
import java.util.concurrent.TimeUnit;

/**
 * @author rongrong
 * Selenium模拟访问网站爬虫操作代码示例
 */
public class Demo 
    private static WebDriver driver;
    static final int MAX_TIMEOUT_IN_SECONDS = 5;

    @BeforeClass
    public static void setUpBeforeClass() throws Exception 
        driver = new ChromeDriver();
        String url = "https://temai.snssdk.com/article/feed/index?id=6675245569071383053&subscribe=5501679303&source_type=28&content_type=1&create_user_id=34013&adid=__AID__&tt_group_id=6675245569071383053";
        driver.manage().window().maximize();
        driver.manage().timeouts().implicitlyWait(MAX_TIMEOUT_IN_SECONDS, TimeUnit.SECONDS);
        driver.get(url);
    

    @AfterClass
    public static void tearDownAfterClass() throws Exception 
        if (driver != null) 
            System.out.println("运行结束!");
            driver.quit();
        
    

    @Test
    public void test() throws InterruptedException 
        Robot robot = null;
        try 
            robot = new Robot();
         catch (AWTException e1) 
            e1.printStackTrace();
        
        robot.keyPress(KeyEvent.VK_CONTROL);
        robot.keyPress(KeyEvent.VK_A);
        robot.keyRelease(KeyEvent.VK_A);
        Thread.sleep(2000);
        robot.keyPress(KeyEvent.VK_C);
        robot.keyRelease(KeyEvent.VK_C);
        robot.keyRelease(KeyEvent.VK_CONTROL);
        driver.get("https://ueditor.baidu.com/website/onlinedemo.html");
        Thread.sleep(2000);
        driver.switchTo().frame(0);
        driver.findElement(By.tagName("body")).click();
        robot.keyPress(KeyEvent.VK_CONTROL);
        robot.keyPress(KeyEvent.VK_V);
        robot.keyRelease(KeyEvent.VK_V);
        robot.keyRelease(KeyEvent.VK_CONTROL);
        Thread.sleep(2000);
    


写在后面

笔者并不是特别建议使用selenium做爬虫,原因如下:

  • 速度慢:

每次运行爬虫都要打开一个浏览器,初始化还需要加载图片、JS渲染等等一大堆东西;

  • 占用资源太多:

有人说,把换成无头浏览器,原理都是一样的,都是打开浏览器,而且很多网站会验证参数,如果对方看到你恶意请求访问,会办了你的请求,然后你又要考虑更换请求头的事情,事情复杂程度不知道多了多少,还得去改代码,麻烦死了。

  • 对网络的要求会更高:

加载了很多可能对您没有价值的补充文件(如css,js和图像文件)。 与真正需要的资源(使用单独的HTTP请求)相比,这可能会产生更多的流量。

以上是关于使用selenium爬虫抓取数据的主要内容,如果未能解决你的问题,请参考以下文章

Python爬虫实例使用selenium抓取斗鱼直播平台数据

使用selenium爬虫抓取数据

爬虫---selenium动态网页数据抓取

python爬虫-27-python之Selenium入门,动态网页抓取

Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTML内容

[Python爬虫] 之二十六:Selenium +phantomjs 利用 pyquery抓取智能电视网站图片信息