Python+Selenium爬取动态加载页面（1）

注： 最近有一小任务，须要收集水质和水雨信息，找了两个网站：国家地表水水质自动监测实时数据发布系统和全国水雨情网。因为这两个网站的数据都是动态加载出来的，因此我用了Selenium来完成个人数据获取。数据的获取过程跟人手动获取过程相似，因此也不会对服务器形成更大负荷。这是我写的第1个爬虫，初次接触，还请各位多多指教。本文的代码见Selenium获取动态页面数据1.ipynb或Selenium获取动态页面数据1.py。

一、准备环境

工欲善其事，必先装好环境，耐心地把下面的环境装好。

• 建议安装Python3的版本，通常来讲越新越好。这是官网下载安装，或者网上其它教程。

• 安装Selenium和其一些必要的包：

  pip install pandas
  pip install bs4
  pip install selenium

  pandas自没必要多说，很是强大的数据分析库，网上教程很是丰富。bs4是一个比较方便的html页面解析的包，详细的能够自由百度教程，网上有不少，固然也有它的Beautiful Soup官网文档，这是中文的，比较良心。selenium可以用于自动测试咱们的网页，模拟咱们的浏览器，也很强大，它的说明文档在此。

• 最后咱们须要安装浏览器的支持，若是电脑上已安装有Chrome浏览器，则还需下载chromedirver，注意须要安装与浏览器对应的版本，下载完成后，须要将其添加至系统的Path中。也能够安装PhantomJS，这是一个无界面的浏览器，速度更快一些，体积也不大。一样，下载好后，须要将其添加至系统的Path中。

• 另外，关于Python的学习环境，建议安装一个Jupyter。

二、详细爬取过程

2.1 分析待爬取网页

打开咱们的国家地表水水质自动监测实时数据发布系统：http://123.127.175.45:8082/以下图2-1所示，咱们能够看到它的数据是动态地在更新，每次只显示了十多条数据，可是这只是一个假象，其实在咱们打开页面，加载完成后，全部的数据已经加载过来了，只是没有显示出来，不信咱们能够按F12，<li></li>标签下的数据就是加载完成后的数据，共100条数据（有时候也只有99条）。

图2-1 国家地表水水质自动监测实时数据发布系统

2.2 利用Selenium提取数据

（1）打开网页

运行下面代码，会自动弹出Chrome浏览器的窗口；若是用的browser = webdriver.PhantomJS()，则没有窗口出来。浏览器的窗口出来后，能够看到，它加载出咱们的页面了。

import datetime
import pandas as pd
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC

# 打开chrome浏览器（需提早安装好chromedriver）
browser = webdriver.Chrome()
# browser = webdriver.PhantomJS()
print("正在打开网页...")
browser.get("http://123.127.175.45:8082/")

（2）获得页面源码

网页完成后打开完成后，还须要等待一下它的加载，只有等数据加载完成，咱们才能去获取它的HTML页面源码。

print("等待网页响应...")
# 须要等一下，直到页面加载完成
wait = WebDriverWait(browser, 10)
wait.until(EC.presence_of_element_located((By.CLASS_NAME, "grid")))

print("正在获取网页数据...")
soup = BeautifulSoup(browser.page_source, "lxml")
browser.close()

（3）定位数据

经过CSS选择器定位到咱们的表头数据和表数据，以下图2-2和图2-3所示

图2-2 CSS选择(.panel-heading)表头

图2-3 CSS选择(.grid)表数据

# 表头和表数据
data_head = soup.select(".panel-heading")[0]
grid_data = soup.select(".grid")[0]

# 获得表头数据
data_colhead = data_head.findAll("td")
data_rows = grid_data.findAll("tr")

# 据表头生成数据表
water_df = pd.DataFrame(columns=[c.text for c in data_colhead])

咱们查看water_df能够获得以下数据表头：

	断面名称	测量时间	pH	溶解氧	氨氮	高锰酸盐指数	总有机碳	水质类别	断面属性	站点状况

（4）提取数据

上面咱们从表数据中的tr标签得到全部数据行后，将其全部数据提取出来，添加到咱们前面定义好的water_df中。

print("提取网页数据中...")
for i, data_row in enumerate(data_rows):
    # 以名字为地名和时间标识符，以防止数据重复
    water_loc = water_df.iloc[:, 0].values
    water_date = water_df.iloc[:, 1].values

    row_dat = [r.text for r in data_row]
    water_df.loc[i] = row_dat

查看我获取的数据前5行，以下表

表2.1 获取的数据表前5行

	断面名称	测量时间	pH	溶解氧	氨氮	高锰酸盐指数	总有机碳	水质类别	断面属性	站点状况
0	四川攀枝花龙洞	2019-01-22 12:00	7.98	10.72	0.05	--	--	I		仪器故障
1	四川宜宾凉姜沟	2019-01-22 12:00	7.75	10.77	0.07	2.18	--	II	入长江前	正常
2	云南红河州河口	2019-01-22 12:00	7.41	9.09	0.21	3.4	--	II	中-越出境	仪器故障
3	云南昆明观音山	2019-01-22 12:00	8.51819	8.69207	0.27	7.51	--	IV	湖体	正常
4	云南昆明西苑隧道	2019-01-22 12:02	7.9	8.7	0.24	3.5	--	II	湖体	正常

（5）保存数据

获得数据后，通常要保存咱们的数据，pandas给咱们提供了很是方便的方法，能够保存为各类常见格式的数据，下面咱们将其保存为.csv文件格式，因为这里面有中文编码，因此另外还保存了一个GB18030编码格式的文件，这样直接用excel打开，不会出现乱码。平时若是处理数据，还里建议用下面的utf-8编码的文件。

data_str = datetime.datetime.now().strftime('%Y_%m_%d')

water_df.to_csv("data_water_%s_ch.csv" % (data_str),
                index=None, encoding="GB18030")

water_df.to_csv("data_water_%s.csv" % (data_str), index=None)
print("数据提取完成！！")

数据提取完成后，能够看到下面2个文件：data_water_2019_01_22.csv、data_water_2019_01_22_ch.csv，直接用excel打开第2个文件，能够看到以下图2-4。

图2-4 最终获取的数据

总结

此次，咱们主要用selenium模型浏览器获得动态加载的HTML页面源码，而后利用BeautifulSoup解析其中的数据，最后利用Pandas处理咱们数据。

这也是我第1次写爬虫，还请各位不吝赐教。这次数据的获取还比较简单，下一篇《Python+Selenium爬取动态加载页面（2）》再来写一下要点击按钮的，稍微复杂一点点。