网站怎么做关键词库,深圳坪山新闻,做游戏脚本的网站,西安建设工程信息平台【前期提要】感兴趣的可以看看往期文章哈~ Python网络爬虫5-实战网页爬取 Python网络爬虫4-实战爬取pdf Pyhon网络爬虫3-模拟用户点击 Python网络爬虫实战2-下载url下的pdf Python网络爬虫基础1
1.需求背景
针对长虹美菱电器说明书网页形式#xff0c;编写爬虫代码#xff…【前期提要】感兴趣的可以看看往期文章哈~ Python网络爬虫5-实战网页爬取 Python网络爬虫4-实战爬取pdf Pyhon网络爬虫3-模拟用户点击 Python网络爬虫实战2-下载url下的pdf Python网络爬虫基础1
1.需求背景
针对长虹美菱电器说明书网页形式编写爬虫代码要求获取对应型号的pdf。
网站分析 第一步点击一个具体的型号会打开一个新的pdf的页面就是目标型号的pdf 第二步在新的页面点击下载按钮下载pdf 第三步切换回原始的型号列表页面 第四步点击下一页下载其他型号pdf
2.主要困难与解决方法
上述分析过程有以下需要解决的问题
问题1. pdf连接不直接暴露。按F12打开开发者模式我们可以看到按钮链接时什么也没有的。也就是说不能采用requests获取url的方式只能通过Selenium模拟用户点击。 解决1Selenium模拟用户点击开发者模式下获取向右箭头的位置。发现第一个的Xpath为
/html/body/div/div[2]/div/div[3]/ul/li[1]/div/div/span-----第一个
/html/body/div/div[2]/div/div[3]/ul/li[2]/div/div/span-----第二个
.....
/html/body/div/div[2]/div/div[3]/ul/li[9]/div/div/span-----第九个个每一页有九个可以使用一个for循环用i变量来循环每个位置 /html/body/div/div[2]/div/div[3]/ul/li[{i}]/div/div/span 同理我们也可以得到对应的文字说明位置。 /html/body/div/div[2]/div/div[3]/ul/li[{i}]/div/div/text() 问题2点击箭头打开新的连接页面通过 self.driver.switch_to.window(handle)切换窗口pdf_url self.driver.current_url得到pdf连接发现此url,无法通过使用download_file_from_url函数下载pdf。
def download_file_from_url(url, save_path, file_name):url为以.pdf为结尾的链接response requests.get(url, timeout10, streamTrue, verifyFalse)if response.status_code 200:with open(os.path.join(save_path, file_name), wb) as f:for chunk in response.iter_content(1024):f.write(chunk)return Trueelse:return False报错如下 requests.exceptions.SSLError: HTTPSConnectionPool(host‘mlmall.meiling.com’, port443): Max retries exceeded with url 通常表示在尝试通过HTTPS端口443连接到指定的主机mlmall.meiling.com时发生了SSL/TLS相关的问题 可能是SSL证书问题 总之是无法从url链接下载pdf。还是只能使用模拟用户点击。 **解决2**如图所示找到下载按钮的xapth//*[id“download”] 以此进行定位和点击。
如此便有另一个问题就是点击此按钮就进行下载pdf了并不能进行重命名。解决方法只能是将对应的pdf链接和下载的文件及对应的型号信息存储在excel中爬取完成之后再根据excel中的信息进行统一的重命名。
问题3点击下一页 **解决3**模拟用户点击获取下一页的按钮点击它
问题4如果程序出错停止如何不重头开始
3.代码实现
1.首先定义一个类主要是为了更改文件下载的默认地址和设置全局变量存储型号文本和pdf链接以方便存储到excel中 import os
import pandas as pd
import time
import shutilfrom selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.chrome.options import Optionsclass MeiLin():def __init__(self,urlhttps://mlmall.meiling.com/meiling/pages/servicesSupport.html?_v0.1.0#/instructions,cur_page1,# 记录当前页面):chrome_options Options()prefs {download.default_directory: E:\downl, # 下载文件夹路径download.prompt_for_download: False,download.directory_upgrade: True,safebrowsing.enabled: True}chrome_options.add_experimental_option(prefs, prefs)self.res[]self.driver webdriver.Chrome(optionschrome_options)self.driver.get(url)
2.每一页的主要执行流程 def get_one_page_pdf(self, finish_page85, page0):
# finish_page为了指定结束的页面在实际中发现到了一定的页面有的型号不含pdf链接了新打开的页面结构也不是这样了
# page 标识正在处理的页面try:while(pagefinish_page1):# 到了指定的页面进行下载# if page2:# breakpage 1if page 4:# 发现前3页点击下一页的按钮和之后的不一样所以这里进行分情况都是实战找出的啊# 为了偷懒就这样吧实现功能但并不优雅button_xpath /html/body/div/div[2]/div/div[3]/nav/ul/li[8]/aelse:button_xpath /html/body/div/div[2]/div/div[3]/nav/ul/li[9]/a# 每页有9个说明书for i in range(1, 10):one_mes []#if i 1:# breaktry:# 获取型号文本text_xpath /html/body/div/div[2]/div/div[3]/ul/li[{}]/div/div.format(i)text self.driver.find_element_by_xpath(text_xpath).textone_mes.append(text)# 点击一个具体的型号打开了一个新的链接xpath /html/body/div/div[2]/div/div[3]/ul/li[{}]/div/div/span.format(i)click_element WebDriverWait(self.driver, 5).until(EC.element_to_be_clickable((By.XPATH, xpath)))click_element.click()# 记录当前主要页面的句柄base_window self.driver.current_window_handleall_handles self.driver.window_handlesfor handle in all_handles:if handle ! self.driver.current_window_handle:# 找到了新打开的页面切换到新页面得到urlself.driver.switch_to.window(handle)pdf_url self.driver.current_url# 有的不是pdf链接进行后缀判断if .pdf in str(pdf_url):one_mes.append(pdf_url)time.sleep(10)# 进行pdf下载try:click_element WebDriverWait(self.driver, 5).until(EC.element_to_be_clickable((By.XPATH, //*[iddownload])))click_element.click()time.sleep(10)except:print(第{}页的第{}个不是pdf网页保存失败.format(page, i))passprint(完成第{}页的第{}个.format(page, i))self.res.append(one_mes)self.driver.close()except:print(第{}页的第{}个操作失败.format(page, i))# 如果失败了还切回去原来的窗口重新开始self.driver.switch_to.window(base_window)continue# 完成关闭该页面切换到原始窗口self.driver.switch_to.window(base_window)print(已经完成第{}页.format(page))# 点击下一页进行下一页的下载try:click_element WebDriverWait(self.driver, 5).until(EC.element_to_be_clickable((By.XPATH, button_xpath)))click_element.click()time.sleep(3)except:print(无法点击下一页)breakexcept:print(while 循环终止)
3.程序入口:
if __name____main__:meilin MeiLin()try:meilin.get_one_page_pdf(finish_page85)except:passfinally:data meilin.resdf pd.DataFrame(data, columns[电器型号, 说明书链接])save_folder E:\\HWR_files\\Pycharm_files\\HWR\\webcraw\\美菱.xlsxdf.to_excel(save_folder, indexFalse, sheet_name匹配结果)print(------------------保存完成------------------)
结果图只取了两页每页取一个
