利用python爬取网站数据非常便捷，效率非常高，但是常用的一般都是使用BeautifSoup、requests搭配组合抓取静态页面（即网页上显示的数据都可以在html源码中找到，而不是网站通过js或者ajax异步加载的），这种类型的网站数据爬取起来较简单。但是有些网站上的数据是通过执行js代码来更新的，这时传统的方法就不是那么适用了。这种情况下有如下几种方法：
清空网页上的network信息，更新页面，观察网页发送的请求，有些网站可以通过这种方法构造参数，从而简化爬虫。但是适用范围不够广泛。
使用selenium模拟浏览器行为更新网页获取更新后的数据。本文接下来着重讲述这种方法。
一、准备工作
模拟浏览器需要用到两个工具：
1.selenium，可直接通过pip install selenium进行安装。
2.PhantomJS，这是一个无界面的，可脚本编程的WebKit浏览器引擎，百度进行搜索，在其官网下进行下载，下载后无需安装，放到指定路径下，在使用时只需指定文件所在路径即可。
二、使用selenium模拟浏览器
本文爬取网站示例为：http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1465594312346（最新测试发现网站已无法打开，2021年5月25日）
学习示例时请不要爬取太多页面，走一遍流程了解怎么抓就行。
打开网站后，可以看到需要爬取的数据为一个规则的表格，但是有很多页。
在这个网站中，点击下一页页面的url不发生变化，是通过执行一段js代码更新页面的。因此本文思想就是利用selenium模拟浏览器进行点击，点击“下一页”后页面数据进行更新，获取更新后的页面数据即可。下面是完整代码：
# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import json
import time
from selenium import webdriver
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )
curpath=sys.path[0]
print curpath
def getData(url):
# 使用下载好的phantomjs，网上也有人用firefox，chrome，但是我没有成功，用这个也挺方便
driver =webdriver.PhantomJS(executable_path="C:/phantomjs.exe")
driver.set_page_load_timeout(30)
time.sleep(3)
html=driver.get(url[0]) # 使用get方法请求url，因为是模拟浏览器，所以不需要headers信息
for page in range(3):
html=driver.page_source # 获取网页的html数据
soup=BeautifulSoup(html,'lxml') # 对html进行解析，如果提示lxml未安装，直接pip install lxml即可
table=soup.find('table',class_="report-table")
name=[]
for th in table.find_all('tr')[0].find_all('th'):
name.append(th.get_text()) # 获取表格的字段名称作为字典的键
flag=0 # 标记，当爬取字段数据是为0，否则为1
for tr in table.find_all('tr'):
# 第一行为表格字段数据，因此跳过第一行
if flag==1:
dic={}
i=0
for td in tr.find_all('td'):
dic[name[i]]=td.get_text()
i+=1
jsonDump(dic,url[1])#保存数据
flag=1
# 利用find_element_by_link_text方法得到下一页所在的位置并点击，点击后页面会自动更新，只需要重新获取driver.page_source即可
driver.find_element_by_link_text(u"下一页").click()
def jsonDump(_json,name):
"""store json data"""
with open(curpath+'/'+name+'.json','a') as outfile:
json.dump(_json,outfile,ensure_ascii=False)
with open(curpath+'/'+name+'.json','a') as outfile:
outfile.write(',\n')
if __name__ == '__main__':
url=['http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1465594312346','yzc'] # yzc为文件名，此处输入中文会报错，前面加u也不行，只好保存后手动改文件名……
getData(url) # 调用函数
本文中获取下一页的位置是通过driver.find_element_by_link_text方法来实现的，这是因为在此网页中，这个标签没有唯一可标识的id，也没有class，如果通过xpath定位的话，第一页和其他页的xpath路径又不完全相同，需要加个if进行判断。因此直接通过link的text参数进行定位。click()函数模拟在浏览器中的点击操作。
selenium的功能非常强大，用在爬虫上能够解决很多一般爬虫解决不了的问题，它可以模拟点击、鼠标移动，可以提交表单（应用如：登陆邮箱账号、登陆wifi等，网上有很多实例，本人暂时还没有尝试过），当你遇到一些非常规的网站数据爬取起来非常棘手时，不妨尝试一下selenium+phantomjs。
网友评论