Python爬蟲實(shí)戰(zhàn)之用selenium爬取某旅游網(wǎng)站

更新時(shí)間：2021年06月06日 10:49:29 作者：布小禪

上一篇我們已經(jīng)知道怎么簡(jiǎn)單使用selenium了,那么我們就從這篇博客來(lái)動(dòng)手爬取網(wǎng)站吧,文中有非常詳細(xì)的代碼示例,需要的朋友可以參考下

一、selenium實(shí)戰(zhàn)

這里我們只會(huì)用到很少的selenium語(yǔ)法，我這里就不補(bǔ)充別的用法了，以實(shí)戰(zhàn)為目的

二、打開(kāi)藝龍網(wǎng)

可以直接點(diǎn)擊這里進(jìn)入：藝龍網(wǎng)

這里是主頁(yè)

在這里插入圖片描述

三、精確目標(biāo)

我們的目標(biāo)是，鶴壁市，所以我們應(yīng)該先點(diǎn)擊搜索框，然后把北京刪掉，替換成鶴壁市，那么怎么通過(guò)selenium實(shí)現(xiàn)呢？
打開(kāi)pycharm，新建一個(gè)叫做藝龍網(wǎng)的py文件，先導(dǎo)包：

from selenium import webdriver 
import time   # 導(dǎo)包
driver = webdriver.Chrome()  # 創(chuàng)建一個(gè)selenium的對(duì)象
driver.get("http://www.elong.com/")  
time.sleep(1)  # 打開(kāi)網(wǎng)站，并讓它睡1s，避免渲染未完成就進(jìn)行下一步操作
driver.maximize_window()  # 將瀏覽器最大化

怎么找到搜索框呢，有很多方法，xpath，css，JavaScript，jQuery，，，因?yàn)閤path簡(jiǎn)單，所以我們只使用xpath，因?yàn)檫@個(gè)網(wǎng)站也是可以用xpath的，具體步驟是：

1.F12，小箭頭，點(diǎn)擊搜索框

在這里插入圖片描述

2.點(diǎn)擊后，找到元素中的位置，右鍵，復(fù)制，復(fù)制xpath

在這里插入圖片描述

3.進(jìn)入pycharm中，在之前創(chuàng)建的py文件中添加如下代碼

driver.find_element_by_xpath('//*[@id="domesticDiv"]/dl[1]/dd/input').clear()
# 將搜索框中的內(nèi)容清理

4.在搜索框添加“鶴壁市”

driver.find_element_by_xpath('//*[@id="domesticDiv"]/dl[1]/dd/input').send_keys('鶴壁市')

5.點(diǎn)擊搜索，進(jìn)入下一頁(yè)

time.sleep(1)
driver.find_element_by_xpath('//*[@id="hotel_sub_tabs"]/span[1]/b').click()  # 點(diǎn)擊無(wú)關(guān)
time.sleep(1) # 避免渲染不及時(shí)導(dǎo)致報(bào)錯(cuò)
driver.find_element_by_xpath('//*[@id="domesticDiv"]/div/span[1]').click()  # 點(diǎn)擊搜索

6.下一頁(yè)
此時(shí)我們絕望的發(fā)現(xiàn)，這些操作都是沒(méi)用的（對(duì)這個(gè)網(wǎng)站沒(méi)用，但是至少我們學(xué)到了點(diǎn)知識(shí)？）她還是北京

在這里插入圖片描述

所以我們只能這樣做了
直接點(diǎn)擊搜索，進(jìn)入這個(gè)頁(yè)面后再輸入鶴壁（那干嘛不直接訪問(wèn)這個(gè)網(wǎng)頁(yè)呢？為了我這該死的儀式感?。。┻@樣做，再那樣做，就行了

from selenium import webdriver
import time   # 導(dǎo)包
driver = webdriver.Chrome()  # 創(chuàng)建一個(gè)selenium的對(duì)象
driver.get("http://www.elong.com/")
time.sleep(1)  # 打開(kāi)網(wǎng)站，并讓它睡1s，避免渲染未完成就進(jìn)行下一步操作
driver.maximize_window()  # 將瀏覽器最大化
driver.find_element_by_xpath('//*[@id="domesticDiv"]/div/span[1]').click()  # 點(diǎn)擊搜索
driver.find_element_by_xpath('//*[@id="m_searchBox"]/div[1]/label/input').clear()  # 清空搜索框內(nèi)容
driver.find_element_by_xpath('//*[@id="m_searchBox"]/div[1]/label/input').send_keys('鶴壁市')  # 在搜索框輸入 鶴壁市
time.sleep(1)
driver.find_element_by_xpath('//*[@id="sugContent"]/ul/li[1]/div/div[1]/div[1]/span/b').click()  # 鶴壁市
time.sleep(1)
# 只是改變了順序，并更換了xpath語(yǔ)法

然后就成功的定位到了鶴壁市

在這里插入圖片描述

8.分析網(wǎng)頁(yè)，找到詳情頁(yè)的url
我們可以這樣做

在這里插入圖片描述

我們發(fā)現(xiàn)，這個(gè)詳情頁(yè)每個(gè)的xpath都不相同，怎么做到把所有詳情頁(yè)都“照顧”得到呢？看來(lái)只能請(qǐng)出我們的requests來(lái)了，然后我們發(fā)現(xiàn)，這個(gè)只是一段URL，那怎么辦？拼接咯！

9.通過(guò)查看響應(yīng)，我們知道響應(yīng)和元素是一樣的，那么說(shuō)明什么？我們可以通過(guò)xpath提取到我們的元素，直接請(qǐng)出我們的xpath選手。

from lxml import etree
import re
html_data = driver.page_source  # 將數(shù)據(jù)存入html_data
ht = ht_ht.xpath('//div[@class="to_detail"]/a/@data-link')  # 提取到url的后半段

10.拼接字符串形成新URL

點(diǎn)進(jìn)去一個(gè)詳情頁(yè)查看URL，發(fā)現(xiàn)是這樣的

在這里插入圖片描述

研究發(fā)現(xiàn)，將?issugtrace=2刪去也可以運(yùn)行，而我們通過(guò)xpath取到的正是后面的 /31712004/，所以：

for ur in ht:
    new_ul = 'http://www.elong.com' + ur

11.取到詳情頁(yè)URL后，就要點(diǎn)進(jìn)去，然后再分析網(wǎng)頁(yè)，再提取數(shù)據(jù)，然后存數(shù)據(jù)，找xpath的我就先不說(shuō)了，也不難。

head = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36'
}
for ur in ht:
    new_ul = 'http://www.elong.com' + ur
    xiangqing_ht = requests.get(new_ul, headers=head).content.decode()  			
    # 使用requests
	time.sleep(1)  # 睡1s
    ht_data = etree.HTML(xiangqing_ht) # 轉(zhuǎn)為可使用xpath的HTML格式
    tingche = ht_data.xpath('//*[@id="hotelContent"]/div/dl[4]/dd/text()')  # 停車位
            if tingche == []:
                tingche = '無(wú)停車位'
            name = ht_data.xpath('/html/body/div[3]/div/div[1]/div[1]/div/h1/text()')[0]  # 酒店名字
            phine_num = ht_data.xpath('//*[@id="hotelContent"]/div/dl[1]/dd/span/text()')  # 電話
            photo_li = ht_data.xpath('/html/body/div[3]/div/div[2]/div[1]/div[2]/ul[1]/li/img/@src')  # 照片
            weizhi = ht_data.xpath('//*[@id="map"]/div[1]/div[2]/div[1]/div/div[9]/div[2]/div/p[2]/text()')  # 位置
            miaoshu = ht_data.xpath('//*[@id="hotelContent"]/div/dl[1]/dd/ul/li[2]/div/p/span[1]/text()')

然后我們就拿到了數(shù)據(jù)，接下來(lái)，這些數(shù)據(jù)怎么保存呢？可以使用字典保存到j(luò)son中。我就接著上面的寫了

dic = {} # 使用字典進(jìn)行json存儲(chǔ)
ic[f"{name}"] = {}
dic[f"{name}"][f"{name}停車場(chǎng)"] = tingche
dic[f"{name}"][f"{name}電話"] = phine_num
dic[f"{name}"][f"{name}位置"] = weizhi
dic[f"{name}"][f"{name}描述"] = miaoshu
path = f"酒店數(shù)據(jù)//{name}"
if not os.path.exists(path):
    os.mkdir(path)
# 創(chuàng)建酒店文件夾
for num, photo in zip(range(len(photo_li)), photo_li):
    if num > 4:
        break
    else:
        with open(f'酒店數(shù)據(jù)//{name}//{name, num + 1}.jpg', 'wb') as f:
            f.write(requests.get(photo).content)  # 將照片存進(jìn)本地
with open(f"酒店數(shù)據(jù)//{name}//酒店數(shù)據(jù).json", 'w') as f:
      f.write(str(dic))  # 將json存入文件
dic = {}  # 將字典內(nèi)的數(shù)據(jù)清楚，留待下一次循環(huán)使用

12.數(shù)據(jù)拿到之后，還沒(méi)完，我們還要爬下一頁(yè)，首先需要把主頁(yè)滑倒最底部

for i in range(4):  # 0 1
     time.sleep(0.5)
     j = (i + 1) * 1000  # 1000 2000
     js_ = f'document.documentElement.scrollTop={j}'
     driver.execute_script(js_)
     time.sleep(5)

13.回到主頁(yè)面，找到下一頁(yè)的xpath，點(diǎn)擊

driver.find_element_by_xpath('//*[@id="pageContainer"]/a[9]').click()

然后，我們就進(jìn)入了下一頁(yè)，然后下面就沒(méi)有代碼了，怎么辦，怎么讓代碼一直運(yùn)行將很多頁(yè)的數(shù)據(jù)爬下來(lái)呢？有兩種方法：

封裝函數(shù)，并發(fā)爬取使用循環(huán)進(jìn)行爬取

然后，就沒(méi)有然后了…

四、成功

成功拿到數(shù)據(jù)

在這里插入圖片描述

結(jié)語(yǔ)

希望大家能夠通過(guò)實(shí)戰(zhàn)了解各種語(yǔ)法的功能，而不是死記硬背各種語(yǔ)法，那樣你很容易忘記，其實(shí)很多學(xué)習(xí)都可以通過(guò)這種方式來(lái)學(xué)習(xí)

到此這篇關(guān)于Python爬蟲實(shí)戰(zhàn)之用selenium爬取某旅游網(wǎng)站的文章就介紹到這了,更多相關(guān)Python selenium爬取網(wǎng)站內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: