网页信息抓取软件(五一假期Python抓取动态网页信息的相关操作、网上教程)

　　网页信息抓取软件(五一假期Python抓取动态网页信息的相关操作、网上教程)

　　5月1日放假学习Python爬取动态网页信息的相关操作，结合封面参考书和网上教程写出能满足需求的代码。自从我第一次接触python以来，过程中有很多波折。为了避免以后出现问题，我找不到相关信息来创建这篇文章。

　　准备工具：Python 3.8

　　谷歌浏览器

　　谷歌驱动程序

　　测试 网站：

　　考试前准备：

　　*本次测试主要采用两种方式抓取动态网页数据，一种是requests和json解析的方式；另一种是硒化法。requests 方法速度快，但有些元素的链接信息无法捕获；selenium 方法通过模拟打开浏览器来捕获数据。速度比较慢，因为需要打开浏览器，但是可以爬取的信息比较慢。综合的。

　　抓取的主要内容如下：（网站中的部分可转债数据）

　　在请求模式下捕获网站信息：

　　需要安装的Python脚本：Requests

　　安装方法：以管理员身份运行cmd；输入pip install requests命令，安装成功后会有提示。如果安装失败一次，请安装多次

　　（前提相关端口没有关闭）。如果pip版本不是最新的，会提醒你更新pip版本，pip的环境变量也要设置好。设置方法参考python的设置方法。

　　请求获取代码如下：

　　*敏*感*词*请求

　　导入json

　　网址='#39;

　　return_data = requests.get(url,verify = False)

　　js=return_data.json()

　　对于 js['rows'] 中的 i：

　　print(i['id']+" "+i['cell']['bond_nm']+" "+i['cell']['price'])

　　最终结果如下：

　　注意两点：

　　找到正确的url：chrome打开头脑风暴记录网站(#cb)。点击F12按钮，在弹出的开发工具窗口中选择network，然后选择XHR，点击F5刷新。在名称栏中一一点击，找到您需要的XHR。通过预览，我们可以发现“?__jsl=LST”对应的XHR就是我们要找的，在headers中可以找到对应的url。

　　json对请求的数据格式进行转换，方便数据查找。json格式转换后，请求的数据格式与预览的格式一致。如果要定位到“国轩转债”一栏的数据，使用代码js['rows']['cell']['bond_nm']*selenium抓取网页数据：

　　需要安装的python脚本：selenium（安装方法参考requests安装）

　　配置浏览器对应的webdriver。以chrome为例，下载chrome版本对应的驱动（地址栏输入chrome://version，回车查看chrome版本）。放在chrome安装的文件夹下，设置环境变量。

　　selenium爬取代码如下：

　　从硒导入网络驱动程序

　　导入时间

　　驱动程序=网络驱动程序。Chrome（）

　　url1='#cb'

　　bes=driver.get(url1)

　　time.sleep(5) #增加延迟命令，等待元素加载

　　driver.find_element_by_tag_name("tr").click() #增加延迟，等待元素加载

　　table_tr_list=driver.find_element_by_xpath("///*[@id='flex_cb']").find_elements_by_tag_name("tr") #将下一个元素改为元素

　　对于 table_tr_list 中的 tr：

　　如果 len(tr.get_attribute('id'))>0:

　　print(tr.find_element_by_xpath("//*[@id=%d]/td[1]/a"%(int(tr.get_attribute('id')))).text+" "+tr.find_element_by_xpath(" //*[@id=%d]/td[2]"%(int(tr.get_attribute('id')))).text)

　　驱动程序退出（）

　　操作结果如下：

　　注意三点：

　　1、 必须添加一个延迟命令（time.sleep(5))，否则可能会出现找不到元素的错误（NoSuchElementException）

　　2、使用find_element_by_xpath时，可以在web开发者中右键复制xpath，确认元素的路径。

　　3、发送ID时，将字符转为数值，注意清除空字符

　　捕获的数据也可以通过python保存在excel中。