Python爬虫实战 | 爬取携程网景区评论|美食推荐|景点列表数据

本文采用Selenium库爬取携程网的景区评论。

Selenium介绍

Selenium是一个Web的自动化测试工具，可以按指定的命令自动操作，如让浏览器加载页面、获取数据、页面截屏等。Selenium本身不自带浏览器，需要与第三方浏览器结合才能使用。Selenium的核心是Webdriver,这是一个编写指令集的接口，具有与浏览器自动化交互的特性，提供了相应的应用程序接口（Application Programming Interface）来操作浏览器。目前支持的主流浏览器内核有Firefox、Chrome、Edge等。

（一）安装Selenium

在命令窗口输入下述命令进行安装：

pip install selenium==4.3.0

（二）配置浏览器驱动

要安装对应版本驱动。

针对不同的浏览器，需要根据自己电脑的操作程序安装不同驱动。这里选择使用的是Chrome浏览器，通过访问网址 chrome://version/ ，得到版本是 122.0.6261.69（64 位），于是安装对应版本驱动。

注：关于selenium的具体配置可见往期推文：
禁止浏览器自动更新。

由于Selenium自动化操作浏览器时需要安装浏览器驱动Webdriver，而Webdriver驱动需要与浏览器的对应版本一致。为避免Chrome浏览器更新后原本的程序或页面无法正常运行，可以手动关闭Chrome浏览器的自动更新。打开【cmd】->输入【services.msc】->点击两个【谷歌更新服务】->在弹出的属性页面中将【启动类型】设为【禁止】。注：可查看往期推文：

一、导入第三方库

在使用selenium.webdriver做自动化测试时，需要经常模拟鼠标和键盘的一些动作，ActionChains 类可以模拟鼠标操作，如移动、点击、悬停等。通过Webdriver模块中的By类可以为后面爬取景区时以指定方式定位标签元素。

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
import time
import csv
from selenium.webdriver import ChromeOptions

二、实例化Chrome浏览器

使用Selenium库中的webdriver来实例化浏览器的驱动程序。可以使用option类来设置浏览器参数，如浏览器窗口大小、页面加载策略等。Headless模式是Chrome浏览器的无界面形态，可以在不打开浏览器的前提下，使用所有Chrome浏览器支持的特性运行程序。

opt = ChromeOptions() #实例化配置对象
opt.add_argument("--headless") #配置对象添加开启无界面命令，在后台运行
opt.add_argument("window-size=1920x1080") #配置界面大小format(width,height)
opt.add_argument('--start-maximized') #最大化启动
driver = webdriver.Chrome(options=opt) #创建浏览器实例并使用配置对象opt
url = 'https://you.ctrip.com/sight/jingdezhen405/61145.html' #这里的url是所要爬取景点的网址
driver.get(url)

三、模拟下拉界面操作

在页面加载时，会根据页面大小来布局控件，因此设置延长页面的存在时间，并模拟手下拉的操作，让没有显示的界面加载出来。有时通过Selenium无法直接实现页面上的操作，如滚动条、时间控件等，此时需要借助JavaScript完成。JavaScript是一种脚本语言，在客户端，即浏览器运行。Webdriver提供了一种内置方式操作，可以调用js代码实现操作：driver.execute_script(js)。

JavaScript声明并对元素执行单击操作：argument[0].click()
execute_script()使用的JavaScript语句作为字符串值调用方法：driver.execute_script("arguments[0].click();",button)
平时测试时可以用time.sleep()来强制等待，生产环境下可用implicity_wait()来固定时间等待页面元素全部加载完成。

def to_the_buttom():
js = 'document.getElementsByClassName("search-body left_is_mini")[0].scrollTop=10000'
driver.execute_script(js)
def to_the_top():
js = "var q=document.documentElement.scrollTop=0" # 滚动到最上面
driver.execute_script(js)
def to_view():
driver.implicitly_wait(10)#隐式等待10s，条件成立则立即结束等待
to_the_buttom()
time.sleep(3)
button = driver.find_element(By.CSS_SELECTOR,'li.ant-pagination-next>span') #这里是通过CSS选择器定位翻页元素
driver.execute_script("arguments[0].scrollIntoView();", button)

四、翻页获取用户评论

接下来就是编写主函数，主要是嵌套两个循环，古窑民俗博览区用户评论共300页，每页有10条评论。通过访问页面获取标签元素，一页获取完点击下一页，并用创建的csv文件进行存储。在本次爬取中，我们使用追加模式a打开了一个名为"古窑民俗博览区评论.csv"的文件，并用write()方法在文件中添加用户评论"text"。with open()是python用来打开文件的，会在使用完毕后自动关闭文件。

with open(file='要打开的路径名称（或保存内容的地址）',mode='r/w/a',encoding='utf-8') as f:如果没有指定的路径，会自动新建文件，无需提前新建。mode有三种常用模式，默认是r，即只读模式；w即只写模式，会清除之前写的内容；这里用的是a，即追加模式，会在已经写的内容基础上追加新的内容。
以utf-8编码方式写入csv文件时，会出现除英文外全是乱码的情况，因此这里指定编码方式为utf-8-sig，即带有签名的utf-8（UTF-8 with BOM)，可以有效解决Excel在读取csv文件时的乱码问题。
通过driver.find_element(By.xxx,value)定位元素。selenium有八种主要的元素定位方式，如：class name、xpath、css selector、id、name、tag name等，这里所使用的是前三种定位方式。
其中，find_element_by_xpath()有多种方法，查找具体的元素时必须在前面以//开头，表示从当前节点寻找所有的后代元素。//*[@style]表示查找包含style的所有元素

with open("古窑民俗博览区评论.csv", "a", encoding='utf-8-sig',newline='') as f:
csvwriter = csv.writer(f)
csvwriter.writerow(('景点','日期','用户评论'))
for y in range(1,301):
time.sleep(3)
for x in range(10):
try:
text = driver.find_elements(By.CLASS_NAME, "commentDetail")[x].text
text = text.strip()
text = text.replace('\n','')
date = driver.find_elements(By.CLASS_NAME,"commentTime")[x].text
date = date.strip()
date = date.replace('\n','')
csvwriter.writerow(('古窑民俗博览区',date,text))
f.flush()
print(text)
except:
pass
```
     el = driver.find_element(By.XPATH, '//*[@id="commentModule"]/div[6]/ul/li[7]/a')  
     ActionChains(driver).move_to_element(el).click().perform()
     print(y)
```

全套代码

from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
import time
import csv
from selenium.webdriver import ChromeOptions

opt = ChromeOptions()
opt.add_argument("--headless")
opt.add_argument("window-size=1920x1080")
opt.add_argument('--start-maximized')
driver = webdriver.Chrome(options=opt)
url = 'https://you.ctrip.com/sight/jingdezhen405/61145.html'
driver.get(url)

def to_the_buttom():
    js = 'document.getElementsByClassName("search-body left_is_mini")[0].scrollTop=10000'
    driver.execute_script(js)
def to_the_top():
    js = "var q=document.documentElement.scrollTop=0"  # 滚动到最上面
    driver.execute_script(js)
def to_view():
    driver.implicitly_wait(10)#隐式等待10s，条件成立则立即结束等待
    to_the_buttom()
    time.sleep(3)
    button = driver.find_element(By.CSS_SELECTOR,'li.ant-pagination-next>span')
    driver.execute_script("arguments[0].scrollIntoView();", button)    
    
with open("古窑民俗博览区评论.csv", "a", encoding='utf-8-sig',newline='') as f:
    csvwriter = csv.writer(f)
    csvwriter.writerow(('景点','日期','用户评论'))
    for y in range(1,301):
        time.sleep(3)
        for x in range(10):
            try:
                text = driver.find_elements(By.CLASS_NAME, "commentDetail")[x].text
                text = text.strip()
                text = text.replace('\n','')
                date = driver.find_elements(By.CLASS_NAME,"commentTime")[x].text
                date = date.strip()
                date = date.replace('\n','')
                csvwriter.writerow(('古窑民俗博览区',date,text))
                f.flush()
                print(text)
            except:
                pass
        el = driver.find_element(By.XPATH, '//*[@id="commentModule"]/div[6]/ul/li[7]/a')  
        ActionChains(driver).move_to_element(el).click().perform()
        print(y)
        
time.sleep(10)
driver.close()

运行结果