Python控制浏览器，自动获取网页数据

【新手任务】

老板：我们做海外市场的，搞定投资商很重要。你去把境外投资企业（机构）全部给我复制下来。

任务.png

总共2606页，点下一页，然后再ctrl+C，然后Ctrl+V，准备着复制到天亮吧。扫视一圈，新来的实习生都回学校做毕业论文了。

【解决方案】

知识点：Python 3 基本语法，splinter库和xpath基本知识
Case 1：
python利用splinter库，控制chrome浏览器，打开网页，获取数据。抓取境外投资企业（机构）名录。
分析思路：

Step 1: 安装splinter

百度 splinter 安装，建议安装anaconda（python常用库就基本有了），再安装splinter

Step 2: 利用splinter打开chrome，访问链接

from splinter import Browser
browser = Browser('chrome') #打开谷歌浏览器
browser.visit('http://femhzs.mofcom.gov.cn/fecpmvc/pages/fem/CorpJWList.html') #访问链接

打开谷歌浏览器，访问链接.png

Step 3: 获取信息

• 在网页空白处，点击右键，选择“检查”。然后，在出现的功能框中，用鼠标点击选择元素
  
  检查.png

• 点击了选择元素之后，按钮变为蓝色（我是色盲，也是许是蓝色吧）。然后，所鼠标移动到网页上，你要获取获取的信息上，然后单击。

  
  
  选择要复制的数据.png

• 然后，将鼠标移动到功能框中，你需要获取的信息上，然后点击右键-复制-XPath。这样就获得了该元素在网页中的地址。

  
  
  复制XPath.png
• 代码如下：

# 通过谷歌浏览器的检查功能，可以很迅速地获取所需元素的地址。
# find_by_xpath(XPath地址） 返回值是储存在列表中的
# 这里是只有一个元素的列表，所以要选择列表第一个元素的值
r1c1=browser.find_by_xpath('//*[@id="foreach"]/td[1]').first.value # 取得1行1列的值
r1c2=browser.find_by_xpath('//*[@id="foreach"]/td[2]').first.value # 取得1行2列的值
r1c3=browser.find_by_xpath('//*[@id="foreach"]/td[3]').first.value# 取得1行3列的值
browser.find_by_xpath('//*[@id="pageNoLink_0"]').first.click() # 点击下一页
# 打印数据，并退出浏览器
print(r1c1,r1c2,r1c3)
browser.quit()

【结语】

本文简单地讲述了如何利用python splinter库，操作谷歌浏览器，然后定位到所需的元素，然后获取元素的值。获取完毕后，将数据打印,并退出浏览器。关于数据的储存，请参考插上翅膀，让Excel飞起来——xlwings（一）。完整几百页数据的获取，就只是在代码上加一个循环，如有需要下次再细讲。完整代码如下：

from splinter import Browser
browser = Browser('chrome')
browser.visit('http://femhzs.mofcom.gov.cn/fecpmvc/pages/fem/CorpJWList.html')
r1c1=browser.find_by_xpath('//*[@id="foreach"]/td[1]').first.value
r1c2=browser.find_by_xpath('//*[@id="foreach"]/td[2]').first.value
r1c3=browser.find_by_xpath('//*[@id="foreach"]/td[3]').first.value
browser.find_by_xpath('//*[@id="pageNoLink_0"]').first.click() 
# 打印数据，并退出浏览器
print(r1c1,r1c2,r1c3)
browser.quit()

参考资料
Xpath实例
splinter官方文档