[编程经验] Python中使用selenium进行动态爬虫
[编程经验] Python中使用selenium进行动态爬虫
Hello，大家好！停更了这么久，中间发生了很多事情，我的心情也发生了很大的变化，看着每天在增长的粉丝，实在不想就这么放弃了，所以以后我会尽量保持在一周一篇的进度，与大家分享我的学习点滴，希望大家可以继续支持我，我会努力滴！
selenium是一个前端的自动化测试工具，一般不推荐作为爬虫工具，但是为啥我还要给大家说用来做爬虫呢，因为他确实可以用来爬虫，并且思路很直观，原理比较清晰。
1. 安装
selenium安装比较简单，直接用pip就可以安装，打开cmd，输入
pip install selenium
就好了
2. 安装chromedriver
chromedriver是谷歌浏览器的驱动程序，因为我平时用chrome，所以这里只介绍chromedriver。
下载地址：
http://chromedriver.storage.googleapis.com/index.html
这里需要注意的是，chromedriver的版本需要是你安装的Chrome的版本对应起来，Chrome的版本可以在浏览器的右上角找到帮助-关于Google Chrome 查看浏览器的版本。具体的对应规则如下：
chromedriver版本 | 支持的Chrome版本 |
|---|---|
v2.40 | v66-68 |
v2.39 | v66-68 |
v2.38 | v65-67 |
v2.37 | v64-66 |
v2.36 | v63-65 |
v2.35 | v62-64 |
v2.34 | v61-63 |
v2.33 | v60-62 |
v2.32 | v59-61 |
v2.31 | v58-60 |
v2.30 | v58-60 |
v2.29 | v56-58 |
v2.28 | v55-57 |
v2.27 | v54-56 |
v2.26 | v53-55 |
v2.25 | v53-55 |
v2.24 | v52-54 |
v2.23 | v51-53 |
v2.22 | v49-52 |
安装完之后，把驱动的安装目录添加到系统Path中就好了，如果不添加，在运行程序的时候就会报错，提示你没有添加到Path中。
3. 开始爬虫
今天要爬取的网址是：https://www.upbit.com/service_center/notice，然后点击翻页按钮，发现url并没有变化，通过F12查看请求的地址变化，可以发现，
https://www.upbit.com/service_center/notice?id=1
这里主要变化的就是后面的id，1,2,3，。。。依次类推。
用selenium爬虫开始前，需要定义好下面内容
# 设置谷歌浏览器的选项，
opt = webdriver.ChromeOptions()
# 将浏览器设置为无头浏览器，即先爬虫时，没有显示的浏览器
opt.set_headless()
# 浏览器设置为谷歌浏览器，并设置为上面设置的选项
browser = webdriver.Chrome(options=opt)
save = []
home = 'https://www.upbit.com/home'
# 创建好浏览器对象后，通过get()方法可以向浏览器发送网址，
# 获取网址信息
browser.get(home)
time.sleep(15)然后是如何定位html的元素，在selenium中，定位元素的方法有
find_element_by_id(self, id_) find_element_by_name(self, name) find_element_by_class_name(self, name) find_element_by_tag_name(self, name) find_element_by_link_text(self, link_text) find_element_by_partial_link_text(self, link_text) find_element_by_xpath(self, xpath) find_element_by_css_selector(self, css_selector）
其中的id，name等都可以通过浏览器获得，定位元素的目的是为了获取我们想要的信息，然后解析出来保存，通过调用tex方法可以获得元素的文本信息。
下面把整个爬虫的代码，贴出来，供大家参考
from selenium import webdriver
import time
from tqdm import trange
from collections import OrderedDict
import pandas as pd
def stringpro(inputs):
inputs = str(inputs)
return inputs.strip().replace("\n", "").replace("\t", "").lstrip().rstrip()
opt = webdriver.ChromeOptions()
opt.set_headless()
browser = webdriver.Chrome(options=opt)
save = []
home = 'https://www.upbit.com/home'
browser.get(home)
time.sleep(15)
for page in trange(500):
try:
rows = OrderedDict()
url = "https://www.upbit.com/" \
"service_center/notice?id={}".format(page)
browser.get(url)
content = browser.find_element_by_class_name(
name='txtB').text
title_class = browser.find_element_by_class_name(
name='titB')
title = title_class.find_element_by_tag_name(
'strong').text
times_str = title_class.find_element_by_tag_name(
'span').text
times = times_str.split('|')[0].split(" ")[1:]
num = times_str.split("|")[1].split(" ")[1]
rows['title'] = title
rows['times'] = " ".join(times)
rows['num'] = num
rows['content'] = stringpro(content)
save.append(rows)
print("{},{}".format(page, rows))
except Exception as e:
continue
df = pd.DataFrame(save)
df.to_csv("./datasets/www_upbit_com.csv", index=None)有问题可以与我交流~