无意中看到一个很不错的爬虫练习网站:
GlidedSky爬虫练习网站
是一个很不错的练习网站,但是先需要注册一下。
第一关是把网页中的数据求和,因为格式统一,所以可以用很多方法实现,
在使用GET方法时,要加入User-Agent和cookie。
*介绍了re,bs4,xpath,css,selenium自动化方法爬取信息。
*selenium自动化测试参考文献
import requests
import re
from fake_useragent import UserAgent # 导入随机头headers
from lxml import etree
from bs4 import BeautifulSoup
def get_html(url):
# 随机生成headers
headers = {
'User-Agent': UserAgent().random,
'cookie': '你的cookie'}
try:
# 获取url响应
response = requests.get(url, headers=headers)
# 不是200,产生异常
response.raise_for_status()
# 将编码设置为文章内容编码
response.encoding = response.apparent_encoding
return response.text
except:
return
def html_infos(html):
num = 0
# 正则匹配
# infos为获取到数据信息列表
infos = re.findall(r'(.*?)', html, re.S)
# 循环列表,逐一取出相加
for info in infos:
num += int(info.strip())
print(num)
# bs4匹配
soup = BeautifulSoup(html, 'lxml')
infos = soup.find_all('div', class_="col-md-1")
for info in infos:
info = info.text.strip()
num += int(info)
print(num)
# xpath匹配
infos_txt = etree.HTML(html) # 解析html
infos = infos_txt.xpath('//div[@class="col-md-1"]')
for info in infos:
info = info.text.strip()
num += int(info)
# css匹配
infos_txt = etree.HTML(html)
infos = infos_txt.cssselect('.row>.col-md-1')
for info in infos:
num += int(info.text.strip())
print(num)
if __name__=='__main__':
url = 'http://www.glidedsky.com/level/web/crawler-basic-1'
# url返回text赋给html
html = get_html(url)
html_infos(html)
-------------------------------------------------------------------------------------
# 以下是用selenium自动化爬取网页
from selenium import webdriver
from selenium.webdriver.common.by import By # 用于指定HTML文件中的DOM标签元素
from selenium.webdriver.support.ui import WebDriverWait # 等待网页加载完成
from selenium.webdriver.support import expected_conditions as EC # 指定等待页面加载结束
driver = webdriver.Chrome() # 实例化浏览器对象
url = 'http://www.glidedsky.com/login'
driver.get(url) # 打开网页
driver.maximize_window() # 全屏显示
#等待页面加载完成
WebDriverWait(driver, 10).until(EC.presence_of_all_elements_located((By.CLASS_NAME, 'form-control')))
#登录页面,实现selenium自动化登录
#需要提前在网站注册个账号
user = driver.find_element_by_id('email')
user.click()
user.send_keys('你的账号')
password = driver.find_element_by_id('password')
password.click()
password.send_keys('你的密码')
#点击登录按钮
login = driver.find_element_by_css_selector(
'#app > main > div.container > div > div > div > div.card-body > form > div.form-group.row.mb-0 > div > button')
login.click()
#进入爬虫第一关练习
spider1 = driver.find_element_by_xpath('//[@id="app"]/main/div[1]/div/div/table/tbody/tr[1]/td[1]/a')
spider1.click()
# 点击待爬取页面
url1 = driver.find_element_by_xpath('//*[@id="app"]/main/div[1]/div/div/div/div/a').get_attribute('href')
driver.get(url1)
num = 0
infos = driver.find_elements_by_class_name('col-md-1')
for info in infos:
info = info.text.strip()
num += int(info)
print(num) # 以上就是selenium自动化爬取页面,需要等待几秒