一、项目需求
要求爬取某单位网站,登录后台查看是否有新增"网友提问",如果有新的提问,向特定邮箱发出提醒邮件。
二、项目分析
(一)判断是否可用爬虫爬取相关内容
首先查看该网站的robots.txt文件,发现不存在该文件,由于未禁止,可用爬取取相关信息。
(二)操作流程分析
查看是否有网友提问的操作流程如下。
1、登录网站后台管理页面
2、登录成功后,点击"互动平台" 。
3、点击互动平台后,浏览器会打开新页面(互动平台)
4、互动平台页面上端有一个选项卡,在选项卡中可以选择"依申请公开"或是"网上问答",但已选项显示内容是"依申请公开"还是"网上问答",无法预见,这其由最后一次对选项卡的操作决定。互动平台页面右侧显示的是待办办件,这里显示的就是需要提醒的内容。
在这里,我们需要查看"网上问答"部分有无新的问题,有新问题的话需要通过邮件提醒管理员。
三、解决方案和所需知识
由于访问特定信息需要进行一系列操作互动,由于Selenium可以操作浏览器,不用理会涉及页面渲染一类的复杂问题,所以这里我们选择Selenium作为爬虫解决方案。
第一步需要通过Python和Selenium实现对浏览器的相关操作,获取特定网页中的内容。
第二步是通过电子邮件将提醒内容发至管理员。
需要学习Python、HTML、Selenium,以及如何通过Python利用SMTP服务器发送信息有关的知识。
下面我们分几步进行学习,首先学习如何利用Python和Selenium操作浏览器和获取页面中的信息。