GlidedSky爬虫网站练习基础1

GlidedSky爬虫网站练习第一关

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

你可能感兴趣的:(爬虫,python,selenium)