集搜客GooSeeker网络爬虫

标题: 为采集动态网页安装和测试Python Selenium库 [打印本页]

作者: xandy 时间: 2016-9-30 11:21
标题: 为采集动态网页安装和测试Python Selenium库
本帖最后由 xandy 于 2016-10-20 10:27 编辑

1. 引言

上一篇《为编写网络爬虫程序安装Python3.5》中测试小例子对静态网页做了一个简单的采集程序，而动态网页因为需要动态加载js获取数据，所以使用urllib直接openurl已经不能满足采集的需求了。这里我们使用selenium库，通过它我们可以很简单的使用浏览器来为我们加载动态内容，从而获取采集结果。

在很多案例中，Selenium与PhantomJS搭配采集动态网页内容（可以参看我以前发表的案例文章），直接与Firefox或者Chrome搭配，可以应对一些更加复杂的采集情形，比如，在防爬方面，直接驱动普通浏览器更不容易被识别成爬虫。所以，本文讲解与Firefox搭配，开发难度并没有增加。

Python版本：Python3

2. 安装selenium库

使用快捷键win + R或右键开始选择运行，输入cmd回车，打开命令提示符窗口，输入命令：pip install selenium

[attach]1791[/attach]

3. 以亚马逊商品为例的一个简单爬虫

3.1 引入Gooseeker规则提取器模块gooseeker.py(下载地址: https://github.com/FullerHua/gooseeker/tree/master/core), 自定义存放目录，这里为E:\demo\gooseeker.py

引入GooSeeker规则提取器，就省去手工编写XPath或者正则表达式的麻烦，用直观标注的方式自动生成采集规则后，通过API加载和使用采集规则。操作过程请参看《1分钟快速生成用于网页内容提取的xslt》。

下面的代码就是使用了API，所以看不到冗长的XPath和正则表达式规则，代码中的API key和抓取规则名可以直接使用，这是公共的测试用的规则。

3.2 在提取器模块gooseeker.py同级目录下创建一个.py后缀文件，如这里为E:\Demo\second.py，再以记事本打开，敲入代码:

# -*- coding: utf-8 -*-
# 使用gsExtractor类的示例程序
# 以webdriver驱动Firefox采集亚马逊商品列表
# xslt保存在xslt_bbs.xml中
# 采集结果保存在result-2.xml中
import os
import time
from lxml import etree
from selenium import webdriver
from gooseeker import GsExtractor
#驱动火狐
driver = webdriver.Firefox()
# 访问并读取网页内容
url = "https://www.amazon.cn/b/ref=s9_acss_bw_ct_refTest_ct_1_h?_encoding=UTF8&node=658810051&pf_rd_m=A1AJ19PSB66TGU&pf_rd_s=merchandised-search-5&pf_rd_r=WJANDTHE4NFAYRR4P95K&pf_rd_t=101&pf_rd_p=289436412&pf_rd_i=658414051"
#开始加载
driver.get(url)
#等待2秒，更据动态网页加载耗时自定义
time.sleep(2)
# 获取网页内容
content = driver.page_source.encode('utf-8')
# 获取docment
doc = etree.HTML(content)
# 引用提取器
bbsExtra = GsExtractor()
bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e", "亚马逊图书_test") # 设置xslt抓取规则
result = bbsExtra.extract(doc) # 调用extract方法提取所需内容
# 当前目录
current_path = os.getcwd()
file_path = current_path + "/result-2.xml"
# 保存结果
open(file_path,"wb").write(result)
# 打印出结果
print(str(result).encode('gbk','ignore').decode('gbk'))

复制代码

3.3 执行second.py，打开命令提示窗口，进入second.py文件所在目录，输入命令 :python second.py 回车

注：这里是以驱动Firefox为例，所以需要安装Firefox，若未安装可以去往Firefox官网下载安装

[attach]1792[/attach]

[attach]1793[/attach]

3.4 查看保存结果文件,进入second.py文件所在目录，找到名称为result-2的xml文件

[attach]1794[/attach]

4. 总结

安装selenium，由于网络原因失败了一次，后面再次安装时才成功，如果碰到多次超时而安装失败，可以尝试连接vpn后再使用pip命令安装。

下一篇《快速制作规则并获取提取器api》将会讲解：快速的将一个网页结构生成规则并通过规则Api方式得到需要采集的结果。

5. 文档修改历史

2016-09-29：V1.0

6. 集搜客GooSeeker开源代码下载源

GooSeeker开源Python网络爬虫GitHub源

作者: shenzhenwan10 时间: 2016-9-30 11:45
这个好，去掉注释部分和空行，其它代码就大概十几行

作者: dengxu119 时间: 2016-11-25 09:26
运行报错信息如下：Traceback (most recent call last):
  File "second.py", line 15, in <module>
driver = webdriver.Firefox()
  File "D:\Program Files\Python36\lib\site-packages\selenium\webdriver\firefox\w
ebdriver.py", line 145, in __init__
keep_alive=True)
  File "D:\Program Files\Python36\lib\site-packages\selenium\webdriver\remote\we
bdriver.py", line 92, in __init__
self.start_session(desired_capabilities, browser_profile)
  File "D:\Program Files\Python36\lib\site-packages\selenium\webdriver\remote\we
bdriver.py", line 179, in start_session
response = self.execute(Command.NEW_SESSION, capabilities)
  File "D:\Program Files\Python36\lib\site-packages\selenium\webdriver\remote\we
bdriver.py", line 236, in execute
self.error_handler.check_response(response)
  File "D:\Program Files\Python36\lib\site-packages\selenium\webdriver\remote\er
rorhandler.py", line 192, in check_response
raise exception_class(message, screen, stacktrace)
selenium.common.exceptions.WebDriverException: Message: Missing 'marionetteProto
col' field in handshake
elenium.common.exceptions.WebDriverException: Message: Missing 'marionetteProto
col' field in handshake
百度说是因为selenium3.01和firefox38.8驱动问题请问如何解决？？

作者: abc965432 时间: 2017-6-20 14:13
为什么我照着例子做的，但数据没抓下来啊？

D:\\python\demo>python second.py
<?xml version="1.0"?>
<亚马逊图书/>

只抓了个头标签，没抓到具体的数据。

作者: shenzhenwan10 时间: 2017-6-20 17:27
由于亚马逊页面结构改变, 提取器失效了
现在已经更新了提取器, 你可以再试试

作者: 大锅方便面 时间: 2017-7-13 21:30
请教一下运行后出现这样的问题是什么原因？
SyntaxError: (unicode error) 'utf-8' code can't decode byte Oxd1 in position 0: invalid continuation byte.
谢谢

作者: shenzhenwan10 时间: 2017-7-14 15:25

大锅方便面发表于 2017-7-13 21:30
请教一下运行后出现这样的问题是什么原因？
SyntaxError: (unicode error) 'utf-8' code can't decode byte ...

你是在什么环境下运行的? 如果是windows的CMD窗口, 可能是字符编码不匹配的问题
你把最后的那行print注释掉

作者: mingdongtianxia 时间: 2017-7-27 12:28
没有抓出数据，这是咋回事啊，提示如下，技术大哥给看看呀？

Traceback (most recent call last):
  File "D:\Program Files\Python35\lib\site-packages\selenium\webdriver\common\service.py", line 74, in start
stdout=self.log_file, stderr=self.log_file)
  File "D:\Program Files\Python35\lib\subprocess.py", line 950, in __init__
restore_signals, start_new_session)
  File "D:\Program Files\Python35\lib\subprocess.py", line 1220, in _execute_child
startupinfo)
FileNotFoundError: [WinError 2] 系统找不到指定的文件。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "second.py", line 15, in <module>
driver = webdriver.Firefox()
  File "D:\Program Files\Python35\lib\site-packages\selenium\webdriver\firefox\webdriver.py", line 142, in __init__
self.service.start()
  File "D:\Program Files\Python35\lib\site-packages\selenium\webdriver\common\service.py", line 81, in start
os.path.basename(self.path), self.start_error_message)
selenium.common.exceptions.WebDriverException: Message: 'geckodriver' executable needs to be in PATH.

欢迎光临集搜客GooSeeker网络爬虫 (http://120.55.75.51/doc/)

Powered by Discuz! X3.2