Python爬虫：Selenium+BeautifulSoup解析动态HTML页面【附完整代码】

前言

    前短时间，为了验证公司的验证码功能存在安全漏洞，写了一个爬虫程序抓取官网图库，然后通过二值分析，破解验证码进入系统刷单。 其中，整个环节里关键的第一步就是拿到数据 -- Python 爬虫技。

    今天，我打算把爬虫经验分享一下，因为不能泄露公司核心信息，所以我随便找了一个第三方网站——**《懂车帝》**做演示。为了展示Selenium效果，网站需满足：需要动态加载（下拉）才能获取完整（或更多）数据的网页，如：淘宝，京东，拼多多的商品也都可以。

    通过本篇，你将学会通过Selenium自动化加载HTML的技巧，并利用 BeautifulSoup 解析静态的HTML页面，还有使用 xlwt 插件操作 Excel。

    本文仅教学使用，无任何攻击行为或意向。

正文

一、页面分析

1. 打开页面，提取关键信息

    首先，打开“某瓣电影一周新片榜”的页面：https://www.dongchedi.com/sales，截图省略了下面列表部分。

    然后，提取榜单里的关键信息，如：当前月份，汽车排名，图片链接，汽车名称，汽车品牌，评论数等，这是我们需要爬取的数据，接下来就需要弄清楚他们在 Html 中的位置。

2. 分析Html页面

    Chrome浏览器 - 【F12】检查下 Html 页面结构，找到排行榜数据的具体位置，这对我们后续利用 Selenium 和 BeautifulSoup 解析至关重要。

    下面图片里可以看到，月份信息在 “<div class="more_more__z2kQC"></div>” 标签里（篇幅原因，没有展示全），而当月的榜单信息在"<li class="list_item__3gOKl">"的标签里，10条 “<tr></tr> ”标签形成一个List集合。

    **注意：**当前页面第一次进来页面只会加载出10条记录，如果想要获取全量的排行榜数据，我们需要用到 Selenium 技术动态加载页面，直到数据全部加载出来为止。

3. 结果展示

    以我当前的时间为例——“2022年8月”，一共有“TOP542”条数据。

二、代码讲解

1. 导入关键库

import time                             # time函数
import xlwt                             # 进行excel操作
import os.path                          # os读写
from bs4 import BeautifulSoup           # 解析html的
from selenium import webdriver          # selenium 驱动
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys                     # 模仿键盘
from selenium.webdriver.support.wait import WebDriverWait           # 导入等待类
from selenium.webdriver.support import expected_conditions as EC    # 等待条件

2. Selenium 解析动态Html

    因为当前页面没有明显的元素用来判断拉到什么位置就是底部，所以我的规则是：一直循环，直到连续5次 Keys.PAGE_DOWN（下拉），<li> 标签数量不再增加，就认为已经到底了。为了避免程序计算太快，每次下拉还停顿了0.2秒，实际效果不错。

    while (flag):
        _input.send_keys(Keys.PAGE_DOWN)
        driver.implicitly_wait(2)
        elem = driver.find_elements(By.CLASS_NAME, "list_item__3gOKl")
        len_cur = len(elem)
        print(len_now, len_cur)
        if (len_now != len_cur):
            len_now = len_cur
            num = 0
        elif (len_now == len_cur and num <= 5):
            num = num + 1
            time.sleep(0.5)
        else:
            time.sleep(2)
            break

3. Selenium 转 BeautifulSoup

    根据小编的开发经验，selenium 很擅长模拟和测试，它动态加载的特性是 BeautifulSoup不 具备的。但是，对于取值操作，简单的还好，复杂点的比如：循环<li>标签这种操作，我还是觉得BeautifulSoup更方便。

    在爬虫的世界里，大量有价值的数据都是循环展现的，比如：某排行榜，某商品列表等...所以，Selenium + BeautifulSoup的操作必不可少。

    核心代码也非常简单，直接传入 Selenium 驱动 driver，用 page_source() 就可以啦。

    # 获取完整渲染的网页源代码
    pageSource = driver.page_source
    soup = BeautifulSoup(pageSource, 'html.parser')
    soup.prettify()

4. 保存数据

    # 创建workbook对象
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  
    # 创建工作表
    sheet = book.add_sheet('懂车帝想月销量排行榜', cell_overwrite_ok=True)  
    col = ("排名", "图片链接", "名称", "品牌", "指导价", "销量")
    book.save("销量排行榜.xls") 

三、完整代码

    细节有待提高，下面的代码大家装好插件，直接拖到本地运行就可以了。

** 如果遇到环境问题，未知异常等，请参照博文：**关于：Python基础，爬虫，常见异常和面试【篇】（专题汇总）

# -*- codeing = utf-8 -*-
import time                             # time函数
import xlwt                             # 进行excel操作
import os.path                          # os读写
from bs4 import BeautifulSoup           # 解析html的
from selenium import webdriver          # selenium 驱动
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys                     # 模仿键盘
from selenium.webdriver.support.wait import WebDriverWait           # 导入等待类
from selenium.webdriver.support import expected_conditions as EC    # 等待条件

# 获取全量数据的 selenium 驱动
def readHtml(baseurl, flag):
    print("—————————— Read Html ——————————")
    # 打开浏览器
    driver = webdriver.Chrome()
    driver.get(baseurl)
    wait = WebDriverWait(driver, 10)
    wait.until(EC.presence_of_element_located((By.CLASS_NAME, "tw-mt-12")))
    # 动态加载排行榜数据
    # 我的规则：一直循环，直到连续5次下拉，<li>标签数量不再增加，则认为已经到底了
    num, len_now = 0, 0
    _input = driver.find_element(By.CLASS_NAME, "body")
    while (flag):
        _input.send_keys(Keys.PAGE_DOWN)
        driver.implicitly_wait(2)
        elem = driver.find_elements(By.CLASS_NAME, "list_item__3gOKl")
        len_cur = len(elem)
        print(len_now, len_cur)
        if (len_now != len_cur):
            len_now = len_cur
            num = 0
        elif (len_now == len_cur and num <= 5):
            num = num + 1
            time.sleep(0.5)
        else:
            time.sleep(2)
            break
    return driver

# 将 selenium 驱动转 bs 形式的 html 页面
def getHtml(driver):
    print("—————————— Get Html ——————————")
    # 获取完整渲染的网页源代码
    pageSource = driver.page_source
    soup = BeautifulSoup(pageSource, 'html.parser')
    soup.prettify()
    return soup

# 从 html 页面爬取数据
def getData(soup):
    print("—————————— Get Data ——————————")
    # 1. 时间
    dataTime = soup.find('div', class_="more_more__z2kQC").span.text
    # 2. 数据，查找符合要求的字符串
    index = 0                           # 排行
    datalist = []                       # 用来存储爬取的网页信息
    try:
        for item in soup.find_all('li', class_="list_item__3gOKl"):
            data = []                       # 保存一条数据用
            print(item)
            # 2.1 生成一条记录
            index = index + 1
            data.append(index)
            data.append(item.find('div', class_='tw-p-12').div.div.img["src"])
            dd = item.find('div', class_='tw-py-16 tw-pr-12')
            data.append(dd.div.a.text)
            data.append(dd.div.span.text)
            data.append(dd.p.text)
            data.append(item.find('div', class_='tw-py-16 tw-text-center').div.p.text)
            # 2.2 存入list
            datalist.append(data)
    except Exception as e:
        print(e)
        pass
    return dataTime, datalist

# 保存数据到表格
def saveData(datalist, savepath):
    print("—————————— save ——————————")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)      # 创建workbook对象
    sheet = book.add_sheet(dataTime, cell_overwrite_ok=True)        # 创建工作表。sheet页名为dataTime
    col = ("排名", "图片链接", "名称", "品牌", "指导价", "销量")
    for i in range(0, len(col)):
        sheet.write(0, i, col[i])           # 列名
    for i in range(0, len(datalist)):
        # print("第%d条" %(i+1))             # 输出语句，用来测试
        data = datalist[i]
        for j in range(0, len(col)):
            sheet.write(i+1, j, data[j])    # 数据
    if os.path.exists(savepath):            # 清空路径
        os.remove(savepath)
    book.save(savepath)                     # 保存
    pass

if __name__ == "__main__":
    print("—————————— 开始执行 ——————————")
    # 1. 读取url
    html = readHtml("https://www.dongchedi.com/sales", True)
    # 2. selenium转BeautifulSoup
    soup = getHtml(html)
    # 3. 处理Html数据
    dataTime, dataList = getData(soup)
    # 4. 保存数据
    saveData(dataList, dataTime + "汽车销量排行总榜.xls")
    print("—————————— 爬取完毕 ——————————")