利用selenium尝试爬取豆瓣图书

Python研究者

发布于 2020-11-24 15:24:11

1.3K0

发布于 2020-11-24 15:24:11

但是通过查看，我们发现是没有接口的。经过分析，这个网站展示的数据，不能通过之前的方式获取，猜想是通过加密解密得到的内容。这个时候有两种方式 a:找到加密解密的接口，使用python模拟（相当复杂，必须有解析js的能力） b:使用selenium+driver直接获取解析后的页面数据内容（这种相对简单）

当然了，我们只是分析了接口这一部分，其实我们通过查看网页源码，使用xpath进行尝试解析，发现其实是可行的，但是由于本文使用的是自动化工具selenium，所以就不过多解释xpath。

在这里，我们使用selenium+driver能模拟浏览器找到elements里的内容，这样再提取就没问题了。

接下来我们需要了解一些概念

1.什么是selenium？ selenium是网页自动化测试工具，可以自动化的操作浏览器。如果需要操作哪个浏览器需要安装对应的driver，比如你需要通过selenium操作chrome，那必须安装chromedriver，而且版本与chrome保持一致。

2、driver 操作浏览器的驱动，分为有界面和无界面的有界面：与本地安装好的浏览器一致的driver（用户可以直接观看，交互比如单击、输入）无界面：phantomjs（看不到，只能通过代码操作，加载速度比有界面的要快）

了解完之后，安装selenium：

pip install selenium -i https://pypi.tuna.tsinghua.edu.cn/simple

下载driver：

1. phantomjs phantomjs下载网址https://phantomjs.org/download.html

2. chrome谷歌浏览器对应的driver http://npm.taobao.org/mirrors/chromedriver/

下载好之后，放入项目中，方便找到。

二、selenium+driver初步尝试控制浏览器

说到模拟，那我们就先来模拟如何打开豆瓣图书并打开Python相关的图书

from selenium import webdriver
import time
import requests

start_url = "https://book.douban.com/subject_search?search_text=python&cat=1001&start=%25s0"

# 控制chrome浏览器
driver = webdriver.Chrome("./chromedriver/chromedriver.exe")
# 输入网址
driver.get(start_url)

# 停一下，等待数据加载完毕
time.sleep(2)
# 获取网页内容Elements
content = driver.page_source
# 结束
driver.quit()

?，说明我们能够控制浏览器进行操作，那么这样我们就可以进行下一步操作了。

我们首先先提取数据

# 获取网页内容Elements
content = driver.page_source

# 提取数据
print(content)

提取到数据后，我们查到里面是否存在我们所要爬取的图书，在此我们以《Python编程 : 从入门到实践》为切入点

这个时候，我们首先要查看这个页面内是否存在有iframe

通过查找，我们发现在我们要爬取的部分是没有iframe存在的，因此我们可以直接使用xpath进行解析。

先查看网页源码，然后尝试解析

1. 解析整体部分

2. 解析书名

3. 解析评分

4.解析其他

?到这里我们就解析完成了，但是我们如果直接这样写的话，其实是有点问题的，问题是什么呢？我们可以看下结果

代码如下：

data_list = etree.HTML(content).xpath('//div[@class="item-root"]')
# print(data_list)
for data in data_list:
    item = {}
    item["name"] = data.xpath("./div/div[1]/a/text()")
    item["score"] = data.xpath("./div/div[2]/span[2]/text()")
    item["others"] = data.xpath("./div/div[3]/text()")
    print(item)

我们可以看到标红处，有的数据是获取不到的，这难道是我们代码有问题吗？其实我们的代码并没有问题。我们看下网页

我们可以很清楚的看到，第一个<div class = "item-root"></div>并不是我们所要找的书籍，因此我们可以从第二个进行爬取。修改后的代码如下

data_list = etree.HTML(content).xpath('//div[@class="item-root"]')[1:]
# print(data_list)
for data in data_list:
    item = {}
    item["name"] = data.xpath("./div/div[1]/a/text()")[0]
    item["score"] = data.xpath("./div/div[2]/span[2]/text()")[0]
    item["others"] = data.xpath("./div/div[3]/text()")[0]
    print(item)

这个时候，就是我们需要的内容了。内容的问题解决了，下面就需要考虑自动翻页了。

我们通过查看网页的翻页过程，如下：

通过观察翻页部分的网页就够，我们可以以后页为关键词选取其中的href自动翻转到下一页。顺便再加上一个判定如果没有就自动停止。

我们下用xpath进行分析

代码如下

    # 找到后页
    next = driver.find_element_by_xpath('//a[contains(text(),"后页")]')
    # 判断
    if next.get_attribute("href"):
        # 单击
        next.click()
    else:
        # 跳出循环
        break

三、完整代码

# encoding: utf-8
'''
  @author 李运辰
  @create 2020-11-21 11:34
  @software: Pycharm
  @file: 豆瓣图书.py
  @Version：1.0
  
'''
from selenium import webdriver
from lxml import etree
import os
import time
import requests
import re
import csv

start_url = "https://book.douban.com/subject_search?search_text=python&cat=1001&start=%25s0"

# 控制chrome浏览器
driver = webdriver.Chrome("./chromedriver/chromedriver.exe")
# 输入网址
driver.get(start_url)
while True:
    # 停一下，等待加载完毕
    time.sleep(2)
    # 获取网页内容Elements
    content = driver.page_source
    # 提取数据
    data_list = etree.HTML(content).xpath('//div[@class="item-root"]')[1:]
    for data in data_list:
        item = {}
        item["name"] = data.xpath("./div/div[1]/a/text()")[0]
        item["score"] = data.xpath("./div/div[2]/span[2]/text()")[0]
        with open("./豆瓣图书.csv", "a", encoding="utf-8") as file:
            writer = csv.writer(file)
            writer.writerow(item.values())
        print(item)
    # 找到后页
    next = driver.find_element_by_xpath('//a[contains(text(),"后页")]')
    # 判断
    if next.get_attribute("href"):
        # 单击
        next.click()
    else:
        # 跳出循环
        break
# 结束
driver.quit()