服务器之家

服务器之家 > 正文

利用selenium爬虫抓取数据的基础教程

时间:2021-07-03 00:26     来源/作者:Refain

写在前面

本来这篇文章该几个月前写的,后来忙着忙着就给忘记了。

ps:事多有时候反倒会耽误事。

几个月前,记得群里一朋友说想用selenium去爬数据,关于爬数据,一般是模拟访问某些固定网站,将自己关注的信息进行爬取,然后再将爬出的数据进行处理。

他的需求是将文章直接导入到富文本编辑器去发布,其实这也是爬虫中的一种。

其实这也并不难,就是ui自动化的过程,下面让我们开始吧。

准备工具/原料

1、java语言

2、idea开发工具

3、jdk1.8

4、selenium-server-standalone(3.0以上版本)

步骤

1、分解需求:

需求重点主要是要保证原文格式样式都保留:

将要爬取文章,全选并复制

将复制后的文本,粘贴到富文本编辑器中即可

2、代码实现思路:

键盘事件模拟ctrl+a全选

键盘事件模拟ctrl+c复制

键盘事件模拟ctrl+v粘贴

3、实例代码

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
import org.junit.afterclass;
import org.junit.beforeclass;
import org.junit.test;
import org.openqa.selenium.by;
import org.openqa.selenium.webdriver;
import org.openqa.selenium.chrome.chromedriver;
 
import java.awt.*;
import java.awt.event.keyevent;
import java.util.concurrent.timeunit;
 
/**
 * @author rongrong
 * selenium模拟访问网站爬虫操作代码示例
 */
public class demo {
 private static webdriver driver;
 static final int max_timeout_in_seconds = 5;
 
 @beforeclass
 public static void setupbeforeclass() throws exception {
  driver = new chromedriver();
  string url = "https://temai.snssdk.com/article/feed/index?id=6675245569071383053&subscribe=5501679303&source_type=28&content_type=1&create_user_id=34013&adid=__aid__&tt_group_id=6675245569071383053";
  driver.manage().window().maximize();
  driver.manage().timeouts().implicitlywait(max_timeout_in_seconds, timeunit.seconds);
  driver.get(url);
 }
 
 @afterclass
 public static void teardownafterclass() throws exception {
  if (driver != null) {
   system.out.println("运行结束!");
   driver.quit();
  }
 }
 
 @test
 public void test() throws interruptedexception {
  robot robot = null;
  try {
   robot = new robot();
  } catch (awtexception e1) {
   e1.printstacktrace();
  }
  robot.keypress(keyevent.vk_control);
  robot.keypress(keyevent.vk_a);
  robot.keyrelease(keyevent.vk_a);
  thread.sleep(2000);
  robot.keypress(keyevent.vk_c);
  robot.keyrelease(keyevent.vk_c);
  robot.keyrelease(keyevent.vk_control);
  driver.get("https://ueditor.baidu.com/website/onlinedemo.html");
  thread.sleep(2000);
  driver.switchto().frame(0);
  driver.findelement(by.tagname("body")).click();
  robot.keypress(keyevent.vk_control);
  robot.keypress(keyevent.vk_v);
  robot.keyrelease(keyevent.vk_v);
  robot.keyrelease(keyevent.vk_control);
  thread.sleep(2000);
 }
}

写在后面

笔者并不是特别建议使用selenium做爬虫,原因如下:

速度慢:

每次运行爬虫都要打开一个浏览器,初始化还需要加载图片、js渲染等等一大堆东西;

占用资源太多:

有人说,把换成无头浏览器,原理都是一样的,都是打开浏览器,而且很多网站会验证参数,如果对方看到你恶意请求访问,会办了你的请求,然后你又要考虑更换请求头的事情,事情复杂程度不知道多了多少,还得去改代码,麻烦死了。

对网络的要求会更高:

加载了很多可能对您没有价值的补充文件(如css,js和图像文件)。 与真正需要的资源(使用单独的http请求)相比,这可能会产生更多的流量。

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对服务器之家的支持。

原文链接:https://www.cnblogs.com/longronglang/p/10990593.html

标签:

相关文章

热门资讯

2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
yue是什么意思 网络流行语yue了是什么梗
yue是什么意思 网络流行语yue了是什么梗 2020-10-11
背刺什么意思 网络词语背刺是什么梗
背刺什么意思 网络词语背刺是什么梗 2020-05-22
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总 2020-11-13
2021德云社封箱演出完整版 2021年德云社封箱演出在线看
2021德云社封箱演出完整版 2021年德云社封箱演出在线看 2021-03-15
返回顶部