在网络数据分析和信息检索中,爬虫是一项非常重要的技术。爬虫可以自动化地从网页中提取信息,极大地提升数据收集的效率。本文将以一个具体的代码实例,讲解如何使用 Selenium 库进行网页新闻链接的抓取。
前期准备
在开始之前,需要确保系统已经安装了 Python 以及 Selenium 库。可以通过以下命令进行安装:
bash
pip install selenium
此外,还需要下载适用于浏览器的驱动程序。本文示例中使用的是 Firefox 驱动程序。如果使用的是 Chrome 浏览器,需要下载相应的 Chrome 驱动程序。下载完成后,将驱动程序放在系统的 PATH 路径中。
代码实现
以下是实现从网页中抓取新闻链接的完整代码:
python
from selenium import webdriver
import time
# 此处下载的是Firefox驱动,所以用Firefox()函数打开浏览器,
# 若下载的是Chrome驱动,则利用Chrome()函数打开浏览器
driver = webdriver.Firefox()
# 将提取的新闻链接保存在listhref列表中
listhref = []
url = "https://www.163.com/search?keyword=中国芯片"
# 通过分析网页结构可知,网页的所有新闻都存放在"class"="keyword_list"的节点下,
# 右键复制该节点XPath路径,为"/html/body/div[2]/div[2]/div[1]/div[2]",
# 再对某一个新闻进行分析,得到新闻链接存放的节点a的XPath路径,
# 此时不用添加标号,就可以查询到所有满足条件的新闻链接
xpath_name = "/html/body/div[2]/div[2]/div[1]/div[2]/div/h3/a"
# 根据网页链接打开浏览器
driver.get(url=url)
# 这里设计了两个临时变量,分别保存现在滚动条距离页面顶层的高度和上一次滚动条的高度,
# 用来判断是否滚动条已经到达页面底部,无法继续下滑
nowTop = 0
tempTop = -1
# 不断向下滚动滚动条并且保存新闻链接
while True:
# 保存网页链接存取在的位置节点
name = driver.find_elements_by_xpath(xpath_name)
# 遍历各个节点
for j in range(len(name)):
# 判断当前下标有没有文本
if name[j].text:
# 有则添加进列表,通过get_attribute函数获得'href'属性的值,获得新闻链接
listhref.append(name[j].get_attribute('href'))
else:
pass
# 执行下拉滚动操作
driver.execute_script("window.scrollBy(0,1000)")
# 睡眠让滚动条反应一下
time.sleep(5)
# 获得滚动条距离顶部的距离
nowTop = driver.execute_script("return document.documentElement.scrollTop || window.pageYOffset || document.body.scrollTop;")
# 如果滚动条距离顶部的距离不再变化,意味着已经到达页面底部,可以退出循环
if nowTop == tempTop:
break
tempTop = nowTop
# 完成后关闭浏览器
driver.close()
# 检查新闻链接是否保存成功
print(listhref)
代码讲解
1. 初始化浏览器驱动
首先,通过 webdriver.Firefox()
初始化 Firefox 浏览器驱动。如果使用 Chrome 浏览器,可以替换为 webdriver.Chrome()
。
2. 设置目标 URL 和 XPath
目标 URL 设置为网易新闻的搜索页面,通过关键词"中国芯片"进行搜索。通过分析网页结构,确定新闻链接的 XPath 路径。
3. 打开浏览器并加载网页
使用 driver.get(url)
方法打开目标网页。
4. 滚动页面并提取链接
为了提取所有的新闻链接,需要不断向下滚动页面。通过 driver.execute_script("window.scrollBy(0,1000)")
实现页面滚动,并通过 time.sleep(5)
暂停 5 秒,等待页面加载新内容。
5. 判断是否到达页面底部
利用两个变量 nowTop
和 tempTop
判断是否到达页面底部。如果滚动条距离顶部的高度不再变化,说明已经到达页面底部,此时退出循环。
6. 关闭浏览器并输出结果
循环结束后,关闭浏览器,并输出抓取到的新闻链接列表 listhref
。
注意事项
- 浏览器驱动:确保浏览器驱动与浏览器版本匹配,并将驱动程序放在系统的 PATH 路径中。
- 页面加载时间 :根据网络环境和页面复杂度,适当调整
time.sleep()
的时间。 - 反爬虫机制:一些网站可能有反爬虫机制,如频繁访问可能导致 IP 被封禁。可以通过设置代理、调整访问频率等方式进行规避。
通过本文的实例,可以帮助读者了解如何使用 Selenium 库进行网页数据抓取,并应用于实际的爬虫项目中。希望这篇文章对你有所帮助!