溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
直接入正題---Python selenium自動控制瀏覽器對網頁的數據進行抓取，其中包含按鈕點擊、跳轉頁面、搜索框的輸入、頁面的價值數據存儲、mongodb自動id標識等等等。
1、首先介紹一下 Python selenium ---自動化測試工具，用來控制瀏覽器來對網頁的操作，在爬蟲中與BeautifulSoup結合那就是天衣無縫，除去國外的一些變態的驗證網頁，對于圖片驗證碼我有自己寫的破解圖片驗證碼的源代碼，成功率在85%。
詳情請咨詢QQ群--607021567（這不算廣告，群里有好多Python的資源分享，還有大數據的一些知識【hadoop】）
2、beautifulsoup就不需要詳細的介紹了，直接上網址:：https://www.crummy.com/software/BeautifulSoup/bs4/doc/（BeautifulSoup的官方文檔）
3、關于mongodb的自動id的生成。mongodb中所有的存儲數據都是有固定的id的，但是mongodb的id對于人類來講是復雜的，對于機器來講是小菜一碟的，所以在存入數據的同時，我習慣用新id來對每一條數據的負責！
在Python中使用mongodb的話需要引進模塊 from pymongo import MongoClient,ASCENDING, DESCENDING ，該模塊就是你的責任！
接下來開始講程序，直接上實例（一步一步來）：
引入模塊：
from selenium import webdriver from bs4 import BeautifulSoup import requests from pymongo import MongoClient,ASCENDING, DESCENDING import time import re
其中的每一個模塊都會說已經解釋過了，其中的re、requests都是之前就有提過的，他們都是核心缺一不可！
首先，我舉一個小例子，淘寶的自動模擬搜索功能（源碼）：
先說一下selenium 的定位方法
find_element_by_id find_element_by_name find_element_by_xpath find_element_by_link_text find_element_by_partial_link_text find_element_by_tag_name find_element_by_class_name find_element_by_css_selector
源碼：
from selenium import webdriver
from bs4 import BeautifulSoup
import requests
from pymongo import MongoClient,ASCENDING, DESCENDING
import time
import re
def TaoBao():
try:
Taobaourl = 'https://www.taobao.com/'
driver = webdriver.Chrome()
driver.get(Taobaourl)
time.sleep(5)#通常這里需要停頓，不然你的程序很有可能被檢測到是Spider
text='Strong Man'#輸入的內容
driver.find_element_by_xpath('//input[@class="search-combobox-input"]').send_keys(text).click()
driver.find_element_by_xpath('//button[@class="btn-search tb-bg"]').click()
driver.quit()
except Exception,e:
print e
if __name__ == '__main__':
TaoBao()
效果的實現，你們可以直接復制后直接運行！我只用了xpath的這個方法，因為它最實在！橙色字體（如果我沒有色盲的話），就是網頁中定位的元素，可以找到的！
接下來就是與BeautifulSoup的結合了，但是我們看到的只是打開了網頁，并沒有源碼，那么就需要 “變量名.page_source”這個方法，他會實現你的夢想，你懂得?
ht = driver.page_source #print ht 你可以Print出啦看看 soup = BeautifulSoup(ht,'html.parser')
下面就是BeautifulSoup的一些語法操作了，對于數據的結構還有采集，在上一篇里面有詳細的抓取操作！！！
算了！說一個最簡單的定位抓取：
soup = BeautifulSoup(ht,'html.parser')
a = soup.find('table',id="ctl00_ContentMain_SearchResultsGrid_grid")
if a: #必須加判斷，不然訪問的網頁或許沒有這一元素，程序就會都停止！
class的標簽必須是class_,一定要記住！
哈哈哈！mongodb了昂，細節細節，首先需要用到模塊----from pymongo import MongoClient,ASCENDING, DESCENDING
因為在python，mongodb的語法仍然實用，所以需要定義一個庫，并且是全局性的，還有鏈接你計算機的一個全局變量。
if __name__ == '__main__':
global db#全局變量
global table#全局數據庫
table = 'mouser_product'
mconn=MongoClient("mongodb://localhost")#地址
db=mconn.test
db.authenticate('test','test')#用戶名和密碼
Taobao()
定義這些后，需要我們的新id來對數據的跟蹤加定義：
db.sn.find_and_modify({"_id": table}, update={ "$inc": {'currentIdValue': 1}},upsert=True)
dic = db.ids.find({"_id":table}).limit(1)
return dic[0].get("currentIdValue")
這個方法是通用的，所以只要記住其中的mongodb的語法就可以了！因為這里是有返回值的，所以這個是個方法體，這里不需要太過于糾結是怎么實現的，理解就好，中心還是在存數據的過程中
count = db[table].find({'數據':數據}).count() #是檢索數據庫中的數據
if count <= 0: #判斷是否有
ids= getNewsn() #ids就是我們新定義的id，這里的id是1開始的增長型id
db[table].insert({"ids":ids,"數據":數據})
這樣我們的數據就直接存入到mongodb的數據庫中了，這里解釋一下為什么在大數據中這么喜歡mongodb，因為它小巧，速度佳！
最后來一個實例源碼：
from selenium import webdriver
from bs4 import BeautifulSoup
import requests
from pymongo import MongoClient,ASCENDING, DESCENDING
import time
import re
def parser():
try:
f = open('sitemap.txt','r')
for i in f.readlines():
sorturl=i.strip()
driver = webdriver.Firefox()
driver.get(sorturl)
time.sleep(50)
ht = driver.page_source
#pageurl(ht)
soup = BeautifulSoup(ht,'html.parser')
a = soup.find('a',class_="first-last")
if a:
pagenum = int(a.get_text().strip())
print pagenum
for i in xrange(1,pagenum):
element = driver.find_element_by_xpath('//a[@id="ctl00_ContentMain_PagerTop_%s"]' %i)
element.click()
html = element.page_source
pageurl(html)
time.sleep(50)
driver.quit()
except Exception,e:
print e
def pageurl(ht):
try:
soup = BeautifulSoup(ht,'html.parser')
a = soup.find('table',id="ctl00_ContentMain_SearchResultsGrid_grid")
if a:
tr = a.find_all('tr',class_="SearchResultsRowOdd")
if tr:
for i in tr:
td = i.find_all('td')
if td:
url = td[2].find('a')
if url:
producturl = '網址'+url['href']
print producturl
count = db[table].find({"url":producturl}).count()
if count<=0:
sn = getNewsn()
db[table].insert({"sn":sn,"url":producturl})
print str(sn) + ' inserted successfully'
time.sleep(3)
else:
print 'exists url'
tr1 = a.find_all('tr',class_="SearchResultsRowEven")
if tr1:
for i in tr1:
td = i.find_all('td')
if td:
url = td[2].find('a')
if url:
producturl = '網址'+url['href']
print producturl
count = db[table].find({"url":producturl}).count()
if count<=0:
sn = getNewsn()
db[table].insert({"sn":sn,"url":producturl})
print str(sn) + ' inserted successfully'
time.sleep(3)
else:
print 'exists url'
#time.sleep(5)
except Exception,e:
print e
def getNewsn():
db.sn.find_and_modify({"_id": table}, update={ "$inc"{'currentIdValue': 1}},upsert=True)
dic = db.sn.find({"_id":table}).limit(1)
return dic[0].get("currentIdValue")
if __name__ == '__main__':
global db
global table
table = 'mous_product'
mconn=MongoClient("mongodb://localhost")
db=mconn.test
db.authenticate('test','test')
parser()
這一串代碼是破解一個老外的無聊驗證碼界面結緣的，我真的對他很無語了！破解方法還是實踐中！這是完整的源碼，無刪改的哦！純手工！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
