文章目录
前言
上一篇我们已经知道怎么简单使用selenium了，那么我们就从这篇博客来动手爬取网站吧。
selenium实战
这里我们只会用到很少的selenium语法，我这里就不补充别的用法了，以实战为目的
打开艺龙网
也可以直接点击这里进入：艺龙网
这里是主页
精确目标
我们的目标是，鹤壁市，所以我们应该先点击搜索框，然后把北京删掉，替换成鹤壁市，那么怎么通过selenium实现呢？
打开pycharm，新建一个叫做艺龙网的py文件，先导包：
from selenium import webdriver import time # 导包 driver = webdriver.Chrome() # 创建一个selenium的对象 driver.get("http://www.elong.com/") time.sleep(1) # 打开网站，并让它睡1s，避免渲染未完成就进行下一步操作 driver.maximize_window() # 将浏览器最大化
怎么找到搜索框呢，有很多方法，xpath，css，JavaScript，jQuery，，，因为xpath简单，所以我们只使用xpath，因为这个网站也是可以用xpath的，具体步骤是：
- F12，小箭头，点击搜索框
- 点击后，找到元素中的位置，右键，复制，复制xpath
- 进入pycharm中，在之前创建的py文件中添加如下代码
driver.find_element_by_xpath('//*[@id="domesticDiv"]/dl[1]/dd/input').clear() # 将搜索框中的内容清理
- 在搜索框添加“鹤壁市”
driver.find_element_by_xpath('//*[@id="domesticDiv"]/dl[1]/dd/input').send_keys('鹤壁市')
- 点击搜索，进入下一页
time.sleep(1) driver.find_element_by_xpath('//*[@id="hotel_sub_tabs"]/span[1]/b').click() # 点击无关 time.sleep(1) # 避免渲染不及时导致报错 driver.find_element_by_xpath('//*[@id="domesticDiv"]/div/span[1]').click() # 点击搜索
- 下一页
此时我们绝望的发现，这些操作都是没用的（对这个网站没用，但是至少我们学到了点知识？）她还是北京
所以我们只能这样做了
直接点击搜索，进入这个页面后再输入鹤壁（那干嘛不直接访问这个网页呢？为了我这该死的仪式感！！） - 这样做，再那样做，就行了
from selenium import webdriver import time # 导包 driver = webdriver.Chrome() # 创建一个selenium的对象 driver.get("http://www.elong.com/") time.sleep(1) # 打开网站，并让它睡1s，避免渲染未完成就进行下一步操作 driver.maximize_window() # 将浏览器最大化 driver.find_element_by_xpath('//*[@id="domesticDiv"]/div/span[1]').click() # 点击搜索 driver.find_element_by_xpath('//*[@id="m_searchBox"]/div[1]/label/input').clear() # 清空搜索框内容 driver.find_element_by_xpath('//*[@id="m_searchBox"]/div[1]/label/input').send_keys('鹤壁市') # 在搜索框输入 鹤壁市 time.sleep(1) driver.find_element_by_xpath('//*[@id="sugContent"]/ul/li[1]/div/div[1]/div[1]/span/b').click() # 鹤壁市 time.sleep(1) # 只是改变了顺序，并更换了xpath语法
- 然后就成功的定位到了鹤壁市
- 分析网页，找到详情页的url
我们可以这样做：
我们发现，这个详情页每个的xpath都不相同，怎么做到把所有详情页都“照顾”得到呢？看来只能请出我们的requests来了，然后我们发现，这个只是一段URL，那怎么办？拼接咯！ - 通过查看响应，我们知道响应和元素是一样的，那么说明什么？我们可以通过xpath提取到我们的元素，直接请出我们的xpath选手。
from lxml import etree import re html_data = driver.page_source # 将数据存入html_data ht = ht_ht.xpath('//div[@class="to_detail"]/a/@data-link') # 提取到url的后半段
- 拼接字符串形成新URL
点进去一个详情页查看URL，发现是这样的
研究发现，将?issugtrace=2删去也可以运行，而我们通过xpath取到的正是后面的 /31712004/，所以：
for ur in ht: new_ul = 'http://www.elong.com' + ur
- 取到详情页URL后，就要点进去，然后再分析网页，再提取数据，然后存数据，找xpath的我就先不说了，也不难。
head = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36' } for ur in ht: new_ul = 'http://www.elong.com' + ur xiangqing_ht = requests.get(new_ul, headers=head).content.decode() # 使用requests time.sleep(1) # 睡1s ht_data = etree.HTML(xiangqing_ht) # 转为可使用xpath的HTML格式 tingche = ht_data.xpath('//*[@id="hotelContent"]/div/dl[4]/dd/text()') # 停车位 if tingche == []: tingche = '无停车位' name = ht_data.xpath('/html/body/div[3]/div/div[1]/div[1]/div/h1/text()')[0] # 酒店名字 phine_num = ht_data.xpath('//*[@id="hotelContent"]/div/dl[1]/dd/span/text()') # 电话 photo_li = ht_data.xpath('/html/body/div[3]/div/div[2]/div[1]/div[2]/ul[1]/li/img/@src') # 照片 weizhi = ht_data.xpath('//*[@id="map"]/div[1]/div[2]/div[1]/div/div[9]/div[2]/div/p[2]/text()') # 位置 miaoshu = ht_data.xpath('//*[@id="hotelContent"]/div/dl[1]/dd/ul/li[2]/div/p/span[1]/text()')
然后我们就拿到了数据，接下来，这些数据怎么保存呢？可以使用字典保存到json中。我就接着上面的写了
dic = {} # 使用字典进行json存储 ic[f"{name}"] = {} dic[f"{name}"][f"{name}停车场"] = tingche dic[f"{name}"][f"{name}电话"] = phine_num dic[f"{name}"][f"{name}位置"] = weizhi dic[f"{name}"][f"{name}描述"] = miaoshu path = f"酒店数据//{name}" if not os.path.exists(path): os.mkdir(path) # 创建酒店文件夹 for num, photo in zip(range(len(photo_li)), photo_li): if num > 4: break else: with open(f'酒店数据//{name}//{name, num + 1}.jpg', 'wb') as f: f.write(requests.get(photo).content) # 将照片存进本地 with open(f"酒店数据//{name}//酒店数据.json", 'w') as f: f.write(str(dic)) # 将json存入文件 dic = {} # 将字典内的数据清楚，留待下一次循环使用
- 数据拿到之后，还没完，我们还要爬下一页，首先需要把主页滑倒最底部
for i in range(4): # 0 1 time.sleep(0.5) j = (i + 1) * 1000 # 1000 2000 js_ = f'document.documentElement.scrollTop={j}' driver.execute_script(js_) time.sleep(5)
- 回到主页面，找到下一页的xpath，点击
driver.find_element_by_xpath('//*[@id="pageContainer"]/a[9]').click()
然后，我们就进入了 下一页，然后下面就没有代码了，怎么办，怎么让代码一直运行将很多页的数据爬下来呢？有两种方法：
- 封装函数，并发爬取
- 使用循环进行爬取
然后，就没有然后了…
成功
成功拿到数据
结语
希望大家能够通过实战了解各种语法的功能，而不是死记硬背各种语法，那样你很容易忘记，其实很多学习都可以通过这种方式来学习
