大數(shù)據(jù)采集與預(yù)處理課件：Selenium和ChromeDriver技術(shù)應(yīng)用案例-網(wǎng)站數(shù)據(jù)采集

Selenium和ChromeDriver技術(shù)應(yīng)用案例——網(wǎng)站數(shù)據(jù)采集本章學(xué)習(xí)目標(biāo)分析業(yè)務(wù)網(wǎng)站新房網(wǎng)的網(wǎng)頁結(jié)構(gòu)和內(nèi)容理解ChromeDriver和Selenium的安裝和配置。學(xué)會使用ChromeDriver和Selenium實現(xiàn)網(wǎng)站數(shù)據(jù)采集。熟悉業(yè)務(wù)網(wǎng)站新房數(shù)據(jù)采集的需求和流程。使用PyMySQL庫實現(xiàn)數(shù)據(jù)的持久化5.1 任務(wù)描述

本案例通過Chrome瀏覽器綜合分析業(yè)務(wù)網(wǎng)站新房網(wǎng)的網(wǎng)頁結(jié)構(gòu)和內(nèi)容，使用Selenium和ChromeDriver技術(shù)來實現(xiàn)業(yè)務(wù)網(wǎng)站新房網(wǎng)站數(shù)據(jù)采集。然后通過進(jìn)一步分析主頁后，獲取字段為房屋名稱（name）、地址（location）、價格（price）、房屋面積（size）的數(shù)據(jù)。最后，使用pymysql庫在MySQL數(shù)據(jù)管理系統(tǒng)中創(chuàng)建指定的數(shù)據(jù)庫house_database和數(shù)據(jù)表house_info，實現(xiàn)數(shù)據(jù)的持久化存儲。5.4 任務(wù)實現(xiàn)-業(yè)務(wù)網(wǎng)站新房網(wǎng)站數(shù)據(jù)采集5.4.1 頁面分析

首先將對業(yè)務(wù)網(wǎng)站新房網(wǎng)的頁面結(jié)構(gòu)和內(nèi)容進(jìn)行深度分析，目的是找到業(yè)務(wù)網(wǎng)站新房網(wǎng)中的需求數(shù)據(jù)包括房屋名稱（name）、地址（location）、價格（price）、房屋面積（size）。1.打開業(yè)務(wù)網(wǎng)站新房頁面首先打開Chrome瀏覽器，在瀏覽器地址中輸入貝殼網(wǎng)的新房頁面地址cq.fang.ke/loupan/，按下回車頁面加載并顯示業(yè)務(wù)網(wǎng)站的新房列表，如圖5-7。圖5-7業(yè)務(wù)網(wǎng)站新房網(wǎng)首頁2.檢查頁面結(jié)構(gòu)使用瀏覽器的開發(fā)者工具，可以通過右鍵單擊頁面上的元素并選擇“檢查”來打開開發(fā)者工具窗口，如圖5-8。

圖5-8檢查網(wǎng)頁結(jié)構(gòu)3.定位元素在開發(fā)者工具中可以瀏覽頁面的HTML結(jié)構(gòu)和CSS樣式，點(diǎn)擊左上角按鈕，可以快速定位頁面中各個元素的位置、相關(guān)屬性和值。如圖5-9。

圖5-9定位業(yè)務(wù)網(wǎng)站頁面元素接下來對數(shù)據(jù)進(jìn)行精確定位和操作，如圖5-10所示。將光標(biāo)定位到<ul>標(biāo)簽上，可以發(fā)現(xiàn)每一個<ul>標(biāo)簽當(dāng)中含有多個<li>標(biāo)簽，多個<li>標(biāo)簽具有相同的標(biāo)簽結(jié)構(gòu)和內(nèi)容，上述規(guī)律為業(yè)務(wù)網(wǎng)站數(shù)據(jù)的獲取創(chuàng)造了條件。圖5-10業(yè)務(wù)網(wǎng)站新房網(wǎng)頁面結(jié)構(gòu)將光標(biāo)定位到<ul>標(biāo)簽上，單擊鼠標(biāo)右鍵，在彈出的快捷菜單中選擇“Copy”->“CopyXPath”命令，就能夠得到該控件在頁面中的標(biāo)簽層級位置（在此為“/html/body/div[6]/ul[2]”），如圖5-11所示。圖5-11獲取<ul>標(biāo)簽的Xpath路徑信息將光標(biāo)定位到其中一個<li>標(biāo)簽上，可以看到任務(wù)所需要的數(shù)據(jù)位于<li>標(biāo)簽的不同位置，如圖5-11。

圖5-12業(yè)務(wù)網(wǎng)站新房網(wǎng)頁面數(shù)據(jù)5.4.2 數(shù)據(jù)獲取通過前面的頁面分析，獲得了業(yè)務(wù)網(wǎng)站新房網(wǎng)數(shù)據(jù)采集過程中涉及的元素信息。接下來我們將使用Selenium和ChromeDriver訪問貝殼網(wǎng)頁面，定位并提取房源信息。1.導(dǎo)必要的庫導(dǎo)入Python的時間模塊，用于添加時間延遲。從Selenium庫中導(dǎo)入webdriver模塊，用于控制瀏覽器；導(dǎo)入By模塊，提供不同的元素定位方式；WebDriverWait模塊，用于等待特定條件出現(xiàn)；導(dǎo)入expected_conditions模塊，用于定義等待條件。 importtime fromseleniumimportwebdriver fromselenium.webdrivermon.byimportBy fromselenium.webdriver.support.uiimportWebDriverWait fromselenium.webdriver.supportimportexpected_conditionsasEC2.數(shù)據(jù)采集函數(shù)定義一個函數(shù)fetch_house_info(page)，用于從業(yè)務(wù)網(wǎng)站新房網(wǎng)頁面中獲取指定頁數(shù)的房源信息。deffetch_house_info(page):使用webdriver的Chrome方法初始化用于Chrome瀏覽器的對象，并賦值給chrome_driver。browser=webdriver.Chrome()使用Chrome瀏覽器對象chrome_driver的maximize_window()方法將瀏覽器設(shè)置為最大化。browser.maximize_window()使用Chrome瀏覽器對象chrome_driver的get()方法獲取業(yè)務(wù)網(wǎng)站新房網(wǎng)的URL。browser.get('cq.fang.ke/loupan/')使用WebDriverWait類實現(xiàn)使用Chrome瀏覽器對象chrome_driver對瀏覽器10S的等待操作其中EC.presence_of_element_located是判斷條件，即等待指定元素（/html/body/div[6]/ul[2]）出現(xiàn)在頁面上，如果該元素沒有在10S內(nèi)出現(xiàn)，則會拋出‘TimeoutException’異常。house=WebDriverWait(browser,10).until(EC.presence_of_element_located((By.XPATH,'/html/body/div[6]/ul[2]')))4.提取房源信息使用‘find_elements’方法中的CSS選擇器定位并獲取房源名稱元素，使用類名定位并獲取所有房源位置、房源價格和房源大小元素。housenames=house.find_elements(By.CSS_SELECTOR,"[class='name']")

houselocations=house.find_elements(By.CLASS_NAME,'resblock-location')

houseprices=house.find_elements(By.CLASS_NAME,'number')

housesizes=house.find_elements(By.CLASS_NAME,'resblock-room')使用’zip’函數(shù)將相同索引位置元素組合在一起，從而創(chuàng)建字典表示的房源信息，并添加到houses列表中。forname,location,price,sizeinzip(housenames,houselocations,houseprices,housesizes):

house={"name":name.text,"location":location.text,"price":price.text,"size":size.text}

houses.append(house)5.異常處理和瀏覽器關(guān)閉使用‘try’和except捕獲任何可能發(fā)生的異常，并打印錯誤消息。try:{#獲取房源信息}exceptExceptionase:print("Anerroroccurredwhilefetchinghouseinformation:",e)使用‘finally’保證瀏覽器無論如何都會關(guān)閉，避免資源泄露。finally:browser.quit()完整代碼如下。importtime fromseleniumimportwebdriver fromselenium.webdrivermon.byimportBy fromselenium.webdriver.support.uiimportWebDriverWait fromselenium.webdriver.supportimportexpected_conditionsasEC deffetch_house_info(page): browser=webdriver.Chrome() browser.maximize_window() browser.get('cq.fang.ke/loupan/') time.sleep(5)#等待頁面加載 houses=[] try:house=WebDriverWait(browser,10).until(EC.presence_of_element_located((By.XPATH,'/html/body/div[6]/ul[2]')))time.sleep(5)#獲取房源信息housenames=house.find_elements(By.CSS_SELECTOR,"[class='name']")houselocations=house.find_elements(By.CLASS_NAME,'resblock-location')houseprices=house.find_elements(By.CLASS_NAME,'number')housesizes=house.find_elements(By.CLASS_NAME,'resblock-room')forname,location,price,sizeinzip(housenames,houselocations,houseprices,housesizes):

house={"name":name.text,"location":location.text,"price":price.text,"size":size.text}

houses.append(house)exceptExceptionase:

print("Anerroroccurredwhilefetchinghouseinformation:",e)finally:

browser.quit()returnhouses

圖5-13業(yè)務(wù)網(wǎng)站新房網(wǎng)獲取數(shù)據(jù)持久化此外還可以指定捕獲網(wǎng)頁頁面數(shù)，代碼如下。importtime fromscraperimportfetch_house_info fromstorageimportstore_house_info fromseleniumimportwebdriver fromselenium.webdrivermon.action_chainsimportActionChains fromselenium.webdrivermon.byimportBydefmain(pages_to_crawl): browser=webdriver.Chrome() browser.maximize_window()browser.get('cq.fang.ke/loupan/') #等待頁面加載 time.sleep(5) try: forpageinrange(1,pages_to_crawl+1): houses=fetch_house_info(browser) store_house_info(houses) element=browser.find_element(By.CLASS_NAME,'next') #element.click() #創(chuàng)建ActionChains對象 actions=ActionChains(browser) #移動鼠標(biāo)到目標(biāo)元素上方 actions.move_to_element(element).perform() #點(diǎn)擊目標(biāo)元素 actions.click().perform() time.sleep(10)#Addappropriatedelay exceptExceptionase: print("Anerroroccur