Webdriver 爬虫学习记录

个人对于webdriver的理解

    webdriver模拟正常用户使用浏览器点击的过程进行数据的爬取，在理论上如果webdriver的操作足够随机的话被发现是爬虫的概率较低（不被发现！=不会碰到反爬技术）。用这种方法比较便捷的点在于你不需要再专门去伪造请求头了，请求头是由你选择的浏览器自己发送到（本文使用Edge浏览器）。（当然，大多数情况下我更倾向于傻瓜式的八爪鱼软件）

webdriver的基本操作

首先展示所用到的包：

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

1. 创建webdriver对象（表现为打开浏览器，只不过这个浏览器是全新的，不包含任何cookie）

# 创建一个webdriver对象
driver = webdriver.Edge()

1. 打开一个网页（你同时可以在电脑上看到 代码所打开的网页）

driver.get('https://www.tianyancha.com/login#!')

1. 你可以使用CSS_Selector 或者XPath这两种最常用的定位元素的方式来进行元素选择. (Tips: 在网站整体结构经常变动的情况下使用CSS_Selector，由于XPath是精准定位，如果网站结构经常变的话会疯狂报错。。。血的教训），其次，css对于同时定位多个元素非常友好（具备相同属性）， XPath由于路径的绝对精准，一次只可以定位到一个元素，下面展示元素的选取加上搜索框的文本输入与回车搜索（非常简单，一气呵成）

input = driver.find_element(By.CSS_SELECTOR, 'input')
input.send_keys(firm)
input.send_keys(Keys.RETURN)

下面为使用css_selector 对多个元素进行选择，这多个元素都具有相同的类名

    # get the holders
for holder in driver.find_elements(By.CSS_SELECTOR, 
                                   'div[data-dim="holder"] div.right-name'):
holders.append(holder.text)

1. 当成功定位到自己需要收集的信息时，我们可以使用.text来提取文本。不需要定位的十分精确，只需要保证该元素（element）内只有你需要的文本就行。

    try:
        cap = driver.find_element(
            By.XPATH,
                "/html/body/div/div/div[3]/div[1]/div[3]/div/div[2]/div[2]/div[2]/div[1]/div/div[2]/table/tbody/tr[3]/td[2]/div",
        ).text
        capital.append(cap)

    except NoSuchElementException as e:
        capital.append(["NotKnown"])

最后，总的代码以及详细注释如下：

"""
Author: 洗菜拉普达
CreateTime: 29, Oct, 2023
Comment:我这里在登陆状况下（爬太多了不让我查询了。。。只可以登录了）使用了XPath，
所以在未登录情况下可能运行是会出错的，只需要登录或改一下XPath即可(XPath在网站不稳定的情况下有点坑。。。)
"""

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import NoSuchElementException
import pandas as pd
import numpy as np
import time
import random

# 读取文件
total_firms = pd.read_csv("firm_names_50.csv", header=None, names=["firm_name"])
total_firms.head()

# 启动Edge WebDriver
driver = webdriver.Edge()

# 先登录天眼查
driver.get("https://www.tianyancha.com/login#!")
user_input = input("对于未登录账户天眼查有查询限制，故请先登录天眼查，然后按enter键")  # 对于未登录账户天眼查有查询限制

# 初始化两个list用于存储capital与holders
capital = []
total_holders = []
# driver = webdriver.Edge()

for firm in total_firms["firm_name"]:
    # 设置随机休眠时间
    sleeptime = random.randint(1, 2)
    holders = []

    # webdriver访问页面
    driver.get("https://www.tianyancha.com/login#!")
    time.sleep(sleeptime)

    # 查询框输入查询公司
    input = driver.find_element(By.CSS_SELECTOR, "input")
    input.send_keys(firm)
    input.send_keys(Keys.RETURN)
    time.sleep(sleeptime)

    # 跳转链接，请不要直接click，drive的current_url不会变！！！
    link = driver.find_element(
        By.CSS_SELECTOR, "div.index_header__x2QZ3 a"
    ).get_attribute("href")
    driver.get(link)
    time.sleep(sleeptime)

    # 查找注册资本，注意有注册资本不存在的情况，故用try，except
    try:
        cap = driver.find_element(
            By.XPATH,
            "/html/body/div/div/div[3]/div[1]/div[3]/div/div[2]/div[2]/div[2]/div[1]/div/div[2]/table/tbody/tr[3]/td[2]/div",
        ).text
        capital.append(cap)

    except NoSuchElementException as e:
        capital.append(["NotKnown"])

    # get the holders
    for holder in driver.find_elements(
        By.CSS_SELECTOR, 'div[data-dim="holder"] div.right-name'
    ):
        holders.append(holder.text)
    # print((firm, holders)) # 打印纠错

    total_holders.append(holders)
    time.sleep(sleeptime)

# 存储至dataframe中并保存到数据库/csv文件中
total_firms["total_holders"] = total_holders
total_firms["capital"] = capital
total_firms.to_csv("firm_names_50_processed.csv", index=False, encoding="gbk")
driver.quit()