同事让帮忙在某个网站爬点数据,首次尝试爬虫,遇到的问题及解决思路记录下。
大体需求是需要爬取详情页内的信息,详情页有一定格式规律,但是详情页需要从列表页跳入,列表页中的每一条记录需要鼠标悬停才会弹出跳转链接,点击后才可跳转,然后将数据存在excel中,一个个解决吧。
第一步是先爬取详情页的数据,发现页面数据是js渲染出来的,直接用请求获取不到信息,于是使用selenium来模拟浏览器实际请求,然后需要的各个标签值也都没有id,就根据class来获取值的列表,具体方法为
from selenium import webdriver
strurl = 'https://xxxxxxxx?id='+stri
browser = webdriver.Chrome()
try:
browser.get(strurl)
item1 = browser.find_elements(by=By.CLASS_NAME, value="xxxxxxxx")
item2 = browser.find_elements(by=By.CLASS_NAME, value="yyyyyyyy")
item3 = browser.find_elements(by=By.CLASS_NAME, value="zzzzzzzz")
# text='\n'+'基本信息:'+'\n'
# for str1,str2 in zip(item1,item2):
# print(str1.text ,":",str2.text)
# text+=str1.text + ":"+ str2.text+'\n' #加入到字符串中,并换行
#
# for str in item3:
# text+='\n'+"使用案例:" + str.text+'\n' #加入到字符串中,并换行
# print(str.text+ '\n')
finally:
browser.close()
获取到需要的值,然后需要把值放到excel中,使用openpyxl 将获取到的值拼成一行追加到excel中,具体方法如下:
from openpyxl import load_workbook
# 打开 Excel 文件
wb = load_workbook('test.xlsx')
# 选择要操作的工作表
ws = wb['Sheet2']
new_data = []
for str2 in item2:
new_data.append(str2.text)
for str in item3:
new_data.append(str.text)
# 在最后一行添加数据
ws.append(new_data)
# 保存文件
wb.save('test.xlsx')
这样单详情页的内容可以搞到excel中了,需要搞抓所有记录的问题,因为列表页首先也是js渲染出来的,还有需要模拟悬停才能弹出跳转链接,研究了下详情页的url,都是xxx?id=aaa,这个aaa虽然是int,但是也没规律,随便找了几个值找不到对应页面的时候会报错,但是列表请求页可以看到对于列表的分页请求,相应为json格式,有个列表包含各个对象的id值,整好就是详情页的id值,那就这么搞把,列表信息通过这个请求模拟,然后从相应里取各个id,遍历跳转,一开始尝试了将列表请求跟遍历详情页拼在一个方法里,但是报“TypeError: 'WebElement' object is not callable”这个错,反正是自己用的小工具,先解决需求就行,分俩方法,把id结果集自己拼过来当参数,整合后参考代码如下,凑合看吧
{
"code": 200,
"message": "操作成功",
"data": {
"pageNum": 2,
"pageSize": 10,
"totalPage": 10,
"total": 100,
"list": [
{
"id": aaaa,
"logo": "6426cb.png"
},
{
"id": bbbb,
"logo": "6426cb.png"
}]
},
"requestId": "abc"
}
import json
with open('searchResultP3.json', encoding='utf-8') as f:
jsondata = json.load(f)
jsonlist = jsondata["data"]["list"]
datalist=[]
for objjson in jsonlist:
strid = str(objjson["id"])
datalist.append(strid)
print(datalist)
from selenium import webdriver
from selenium.webdriver.common.by import By
from openpyxl import load_workbook
import json
for stri in ['aaa', 'bbb', 'ccc']:
strurl = 'https://xxx?id='+stri
browser = webdriver.Chrome()
try:
browser.get(strurl)
item1 = browser.find_elements(by=By.CLASS_NAME, value="xxxxx")
item2 = browser.find_elements(by=By.CLASS_NAME, value="yyyyy")
item3 = browser.find_elements(by=By.CLASS_NAME, value="zzzzz")
# text='\n'+'基本信息:'+'\n'
# for str1,str2 in zip(item1,item2):
# print(str1.text ,":",str2.text)
# text+=str1.text + ":"+ str2.text+'\n' #加入到字符串中,并换行
#
# for str in item3:
# text+='\n'+"使用案例:" + str.text+'\n' #加入到字符串中,并换行
# print(str.text+ '\n')
# 打开 Excel 文件
wb = load_workbook('test.xlsx')
# 选择要操作的工作表
ws = wb['Sheet2']
new_data = []
for str2 in item2:
new_data.append(str2.text)
for str in item3:
new_data.append(str.text)
# 在最后一行添加数据
ws.append(new_data)
# 保存文件
wb.save('test.xlsx')
finally:
browser.close()