利用selenium爬蟲抓取數(shù)據(jù)的基礎(chǔ)教程
寫在前面
本來這篇文章該幾個月前寫的,后來忙著忙著就給忘記了。
ps:事多有時候反倒會耽誤事。
幾個月前,記得群里一朋友說想用selenium去爬數(shù)據(jù),關(guān)于爬數(shù)據(jù),一般是模擬訪問某些固定網(wǎng)站,將自己關(guān)注的信息進(jìn)行爬取,然后再將爬出的數(shù)據(jù)進(jìn)行處理。
他的需求是將文章直接導(dǎo)入到富文本編輯器去發(fā)布,其實這也是爬蟲中的一種。
其實這也并不難,就是UI自動化的過程,下面讓我們開始吧。
準(zhǔn)備工具/原料
1、java語言
2、IDEA開發(fā)工具
3、jdk1.8
4、selenium-server-standalone(3.0以上版本)
步驟
1、分解需求:
需求重點主要是要保證原文格式樣式都保留:
將要爬取文章,全選并復(fù)制
將復(fù)制后的文本,粘貼到富文本編輯器中即可
2、代碼實現(xiàn)思路:
鍵盤事件模擬CTRL+A全選
鍵盤事件模擬CTRL+C復(fù)制
鍵盤事件模擬CTRL+V粘貼
3、實例代碼
import org.junit.AfterClass;
import org.junit.BeforeClass;
import org.junit.Test;
import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;
import java.awt.*;
import java.awt.event.KeyEvent;
import java.util.concurrent.TimeUnit;
/**
* @author rongrong
* Selenium模擬訪問網(wǎng)站爬蟲操作代碼示例
*/
public class Demo {
private static WebDriver driver;
static final int MAX_TIMEOUT_IN_SECONDS = 5;
@BeforeClass
public static void setUpBeforeClass() throws Exception {
driver = new ChromeDriver();
String url = "https://temai.snssdk.com/article/feed/index?id=6675245569071383053&subscribe=5501679303&source_type=28&content_type=1&create_user_id=34013&adid=__AID__&tt_group_id=6675245569071383053";
driver.manage().window().maximize();
driver.manage().timeouts().implicitlyWait(MAX_TIMEOUT_IN_SECONDS, TimeUnit.SECONDS);
driver.get(url);
}
@AfterClass
public static void tearDownAfterClass() throws Exception {
if (driver != null) {
System.out.println("運行結(jié)束!");
driver.quit();
}
}
@Test
public void test() throws InterruptedException {
Robot robot = null;
try {
robot = new Robot();
} catch (AWTException e1) {
e1.printStackTrace();
}
robot.keyPress(KeyEvent.VK_CONTROL);
robot.keyPress(KeyEvent.VK_A);
robot.keyRelease(KeyEvent.VK_A);
Thread.sleep(2000);
robot.keyPress(KeyEvent.VK_C);
robot.keyRelease(KeyEvent.VK_C);
robot.keyRelease(KeyEvent.VK_CONTROL);
driver.get("https://ueditor.baidu.com/website/onlinedemo.html");
Thread.sleep(2000);
driver.switchTo().frame(0);
driver.findElement(By.tagName("body")).click();
robot.keyPress(KeyEvent.VK_CONTROL);
robot.keyPress(KeyEvent.VK_V);
robot.keyRelease(KeyEvent.VK_V);
robot.keyRelease(KeyEvent.VK_CONTROL);
Thread.sleep(2000);
}
}
寫在后面
筆者并不是特別建議使用selenium做爬蟲,原因如下:
速度慢:
每次運行爬蟲都要打開一個瀏覽器,初始化還需要加載圖片、JS渲染等等一大堆東西;
占用資源太多:
有人說,把換成無頭瀏覽器,原理都是一樣的,都是打開瀏覽器,而且很多網(wǎng)站會驗證參數(shù),如果對方看到你惡意請求訪問,會辦了你的請求,然后你又要考慮更換請求頭的事情,事情復(fù)雜程度不知道多了多少,還得去改代碼,麻煩死了。
對網(wǎng)絡(luò)的要求會更高:
加載了很多可能對您沒有價值的補充文件(如css,js和圖像文件)。 與真正需要的資源(使用單獨的HTTP請求)相比,這可能會產(chǎn)生更多的流量。
總結(jié)
以上就是這篇文章的全部內(nèi)容了,希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,謝謝大家對腳本之家的支持。
相關(guān)文章
Python中的 any() 函數(shù)和 all() 函數(shù)
這篇文章主要介紹了Python中的 any() 函數(shù)和 all() 函數(shù),文章基于Python的相關(guān)資料展開對 any 和 all() 函數(shù)的語法詳細(xì)內(nèi)容,具有一定的參考價值,需要的小伙伴可以參考一下2022-04-04
Python?Type?Hints?學(xué)習(xí)之從入門到實踐
Type?Hints(類型注解)進(jìn)一步強(qiáng)化了Python是一門強(qiáng)類型語言的特性,它在?Python3.5?中第一次被引入。使用Type?Hints可以讓我們編寫出帶有類型的Python代碼,本文將詳細(xì)介紹一下Type?Hints,感興趣的小伙伴可以關(guān)注一下2021-11-11

