【python爬虫实战】使用Selenium webdriver采集山东招考数据

目录

• 1、目标
• 2、Selenium webdriver说明
  • 2.1 为什么使用webdriver
  • 2.2 webdriver支持浏览器
  • 2.3 配置与使用说明
• 3、采集
  • 3.1 分析网站
  • 3.2 遍历省份
  • 3.3 遍历高校
  • 3.4 采集专业数据
  • 3.5 写入mysql
• 4、源码

1、目标

• 目标：按地区、高校 采集2020年拟在山东招生的所有专业信息
• 采集地址：http://xkkm.sdzk.cn/zy-manager-web/gxxx/selectAllDq#

2、Selenium webdriver说明

2.1 为什么使用webdriver

Selenium Webdriver是通过各种浏览器的驱动（web driver）来驱动浏览器的，相遇对于使用requests库直接对网页进行解析，效率较低，本次使用webdriver库主要原因是requests库无法解析该网站

2.2 webdriver支持浏览器

• Google Chrome
• Microsoft Internet Explorer 7，8，9，10，11 for Windows Vista，Windows 7，Windows 8，Windows 8.1.
• Microsoft Edge
• Firefox
• Safari
• Opera

2.3 配置与使用说明

webdriver是通过各浏览器的驱动程序 来操作浏览器的，所以，要有各浏览器的驱动程序，浏览器驱动要与本地浏览器版本对应，常用浏览器驱动下载地址如下：

浏览器	对应驱动下载地址
chrom（chromedriver.exe）	http://npm.taobao.org/mirrors/chromedriver/
firefox（geckodriver.exe）	https://github.com/mozilla/geckodriver/releases
Edge	https://developer.microsoft.com/en-us/micrsosft-edage/tools/webdriver
Safari	https://webkit.org/blog/6900/webdriver-support-in-safari-10/

本文使用谷歌的chrome浏览器，

chrome + webdriver的具体配置和操作说明见 https://www.cnblogs.com/cbowen/p/13217857.html

3、采集

3.1 分析网站

• 进入网页发现各省份地址相同、各高校地址相同，因此想按规律构造每个省份和每个学校的url，并用requests进行解析就无法实现了。
  
  

• 于是想到webdriver，来模拟人工操作，获取当前页面，再通过xpath定位到要获取的数据单元。
  
  先用chrome控制台获取目标数据单元的xpath
  
  

通过手动调整xpath，很容易发现省份xpath的规律为

for province_id in rang(1, 33)
    province_xpath = '//*[@id="div1"]/div/div[%s]/a' % province_id

再用同样方法获取高校的xpat，这里就不贴截图了，直接上结果

# sch_id为每个省份的高校id
# schid_xpath,province_xpath,schcode_xpath,school_xpath,subpage_xpath,schhome_xpath分别对应字段序号、地区、学校代码、学校名称、选考科目要求、学校主页
schid_xpath = '//*[@id="div4"]/table/tbody/tr[%s]/td[1]/a' % school_id
province_xpath = '//*[@id="div4"]/table/tbody/tr[%s]/td[2]/a' % school_id
schcode_xpath = '//*[@id="div4"]/table/tbody/tr[%s]/td[3]/a' % school_id
school_xpath = '//*[@id="div4"]/table/tbody/tr[%s]/td[4]/a' % school_id
subpage_xpath = '//*[@id="div4"]/table/tbody/tr[%s]/td[5]/a' % school_id
schhome_xpath = '//*[@id="div4"]/table/tbody/tr[%s]/td[6]/a' % school_id

再用同样方法获取专业信息的xpat，直接上结果

# major_id为每个高校专业序号，从1到最后一个专业序号
# i从1到4分别对应字段“序号”、“层次”、“专业名称”、“选考科目要求”
for i in range(1, 5):
    major_xpath = '//*[@id="ccc"]/div/table/tbody/tr[%s]/td[%s]' % (major_id, i)

3.2 遍历省份

• 遍历省份很简单，一共32个省份，直接用rang(1,33)，省去用try来判断。
• 在函数外启动浏览器，并传入WebDriver类wd，所有省份遍历完成后关闭浏览器
• 后面要将数据写入mysql，所有传入了完成数据库连接的connect对象conn，并在全部数据写入后关闭conn连接。

def traverse_province(wd, conn):
    """
    循环进入省份
    :return:
    """
    for province_id in range(1, 33):
        province_xpath = '//*[@id="div1"]/div/div[%s]/a' % province_id
        wd.find_element_by_xpath(province_xpath).click()  # 点击进入省份
        time.sleep(1)
        traverse_school(wd, conn)  # 遍历省份内的高校
    wd.quit()
    conn.close()

3.3 遍历高校

• 用while True循环来遍历当前页所有的高校，用try-except来判断是否成功捕捉高校信息，失败则终端while True循环。
• 获取高校基本信息放列表school_info中，传入下层函数用于冗余保存高校+专业 完整数据。
• 进入高校的子页面后，需要重新定位当前操作页面，wd.window_handles获取当前浏览器所有子页面句柄，wd.switch_to.window切换至指定页面。
• 最内层函数traverse_major()会获取专业数据，并将本层获取的高校数据和专业数据写入mysql。
• 在一个高校的全部专业数据写入完成后，提交一次。

def traverse_school(wd, conn):
    """
    遍历高校信息
    :return:
    """
    school_id = 1
    while True:
        school_info = []
        try:
            # 获取高校信息
            for i in [1, 2, 3, 4, 6]:
                school_xpath = '//*[@id="div4"]/table/tbody/tr[%s]/td[%s]' % (school_id, i)
                text = wd.find_element_by_xpath(school_xpath).text
                school_info.append(text)

            # 进入高校子页
            wd.find_element_by_xpath('//*[@id="div4"]/table/tbody/tr[%s]/td[5]/a' % school_id).click()
            wd.switch_to.window(wd.window_handles[-1])  # 切换到最后一个页面
            traverse_major(school_info, wd, conn)  # 遍历专业
            wd.close()  # 关闭当前页
            wd.switch_to.window(wd.window_handles[-1])  # 重新定位一次页面
            school_id += 1
        except:
            break
        conn.commit()  # 每个高校份提交一次

3.4 采集专业数据

• 将专业信息结合上层函数传入的高校信息冗余保存。
• 每个高校启动一次游标。
• 本函数内仅使操作游标进行数据写入，数据库的连接在下面函数中，数据库关闭在最外层函数中。

def traverse_major(school_info, wd, conn):
    """
    遍历专业信息，最后结合高校信息一并输出
    :param school_info: 上层函数传递进来的高校信息
    :return:
    """
    major_id = 1
    cursor = conn.cursor()
    while True:
        major_info = []
        try:
            for i in range(1, 5):
                major_xpath = '//*[@id="ccc"]/div/table/tbody/tr[%s]/td[%s]' % (major_id, i)
                text = wd.find_element_by_xpath(major_xpath).text
                major_info.append(text)

            print(school_info + major_info)

            # 写入mysql
            insert_sql = '''
                        insert into sdzk_data
                        (school_id,province,school_code,school_name,school_home,major_id,cc,major_name,subject_ask)
                        values('%s','%s','%s','%s','%s','%s','%s','%s','%s')
                        ''' % (school_info[0], school_info[1], school_info[2], school_info[3], school_info[4],
                               major_info[0], major_info[1], major_info[2], major_info[3])
            cursor.execute(insert_sql)

            major_id += 1
        except:
            break
    cursor.close()  # 每个高校都重新开启一次游标

3.5 写入mysql

• 该函数仅用于创建mysql连接，并创建表。
• 判断表是否存在，存在则先删除再创建。
• 函数返回connect类，用于其他函数使用。
• 关闭连接在最外层函数中，直到所有省份数据采集结束后才关闭连接。

def connect_mysql(config):
    """
    连接数据库，并创建表，如果表已存在则先删除
    :param config: mysql数据库信息
    :return: 返回连接成功的connect对象
    """

    create_sql = '''
                    CREATE table if NOT EXISTS sdzk_data
                    (school_id int(3),province varchar(20), school_code varchar(5),
                    school_name varchar(50), school_home varchar(100), major_id int(3),
                    cc varchar(5), major_name varchar(100), subject_ask varchar(50))
                 '''

    # 判断表是否存在，存在则删除，然后创建
    conn = pymysql.connect(**config)
    cursor = conn.cursor()
    cursor.execute('''show TABLEs like "sdzk_data"''')
    if cursor.fetchall():
        cursor.execute('''drop table sdzk_data''')
    cursor.execute(create_sql)
    cursor.close()

    return conn

4、源码

源码地址：https://github.com/18686622933/sdzk_data