Python+Selenium爬取动态加载页面（2）

注： 上一篇《Python+Selenium爬取动态加载页面（1）》讲了基本地如何获取动态页面的数据，这里再讲一个稍微复杂一点的数据获取全国水雨情网。数据的获取过程跟人手动获取过程类似，所以也不会对服务器造成更大负荷。本文的代码见Selenium获取动态页面数据2.ipynb或Selenium获取动态页面数据2.py。同样在开始前需要准备环境，具体环境准备参考上一篇。

1、数据获取目标

全国水雨情网的数据同样是动态加载出来的，在浏览中打开网页后http://xxfb.hydroinfo.gov.cn/ssIndex.html，可以看到回下图1-1所示的页面。

图1-1 全国水雨情网

可以看到，其中并没有显示任何的数据，如果我们需要查看数据，还需要点击一下其中的几个按钮。比如，我们需要得到其中大型水库的数据，那么需要点击大型水库按钮，得到如下图1-2所示的结果。

图1-2 全国水雨情信息-大型水库

得到这个页面后，就可以从其中的HTML页面源码中解析数据了。

2、详细爬取过程

2.1 打开网页

运行下面代码，会自动弹出Chrome浏览器的窗口；如果用的browser = webdriver.PhantomJS()，则没有窗口出来。浏览器的窗口出来后，可以看到，它加载出我们的页面了。

import re
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（需提前安装好chromedriver）
browser = webdriver.Chrome()
# browser = webdriver.PhantomJS()
# 这里经常出现加载超的异常，后面需要处理一下：捕获异常后，刷新浏览器
browser.get("http://xxfb.hydroinfo.gov.cn/ssIndex.html")

2.2 查找目标数据

页面加载完成后，接下需要定位我们的大型水库按钮，通过按浏览器的F12查看源码，可以得到这个按钮的xpath：//*[@id="sscontent"]/table/tbody/tr/td/table/tbody/tr[1]/td/table/tbody/tr/td[3]/a，如图2-1所示。

图2-1 xpath定位

定位到按钮后，需要再点击一下。

# 找到大型水库的按钮---通过xpath
btn_water_xpath = "//*[@id=\"sscontent\"]/table/tbody/tr/td/table/tbody/tr[1]/td/table/tbody/tr/td[3]/a"
# 等待响应完成
wait = WebDriverWait(browser, 10)
wait.until(EC.presence_of_element_located((By.XPATH, btn_water_xpath)))
# 查找目标按钮
btn_water = browser.find_element_by_xpath(btn_water_xpath)
# 找到按钮后单击
btn_water.click()

2.2 得到页面源码

数据定位完成后，接下来得到页面源码。按照上面同样的方法，我们需要定位其中的数据表，并等待其加载完成，加载完成后，我们才能读取其页面源码。

# 大型水库的数据表--xpath
water_table_xpath = "//*[@id=\"sktable\"]/table/tbody"
# 得到新的页面，并等待其数据表加载完成
wait = WebDriverWait(browser, 10)
wait.until(EC.presence_of_element_located(
    (By.XPATH, water_table_xpath)))

soup = BeautifulSoup(browser.page_source, 'lxml')

2.3 提取数据

得到页面源码后，可直接利用Pandas的read_html方法得以其中的表格数据，非常方便。同时我们还需要定位它的表头信息，来得到我们的表头。

# 表头信息
table_head_csel = "#skcontent>table:nth-child(3)>tbody>tr"
table_head = soup.select(table_head_csel)[0]

# 通过css选择器，找到水库表信息
table_css_select = "#sktable"
table_content = soup.select(table_css_select)[0]

df_table = pd.read_html(str(table_content))[0]
df_table.columns = [h.text for h in table_head.find_all("td")]
# df_table.columns = ['流域', '行政区', '河名', '库名', '库水位(米)', \
#                     '蓄水量(亿米3)', '入库(米3/秒)', '堤顶高程(米)']

查看提取数据的前5行，如表2.1所示。

表2.1 提取数据前5行

	流域	行政区	河名	库名	库水位(米)	蓄水量(亿米3)	入库(米3/秒)	堤顶高程(米)
0	其他流域	新疆	乌伦古河	福海水库	575.14 ↓	1.756	0	579.00
1	其他流域	新疆	卡浪古尔河	喀浪古尔水库	988.26 —	0.126	1.23	1007.50
2	其他流域	新疆	三屯河	三屯河水库	1024.49 —	0.078	1.982	1039.60
3	其他流域	新疆	头屯河	头屯河水库	986.52 —	0.108	1.75	995.20
4	其他流域	新疆	乌鲁木齐河	红雁池水库	995.54 ↓	0.234	0	1009.00

2.4 保存数据

数据提取完成后，下面还将其表格的时间提取出来，以作为文件名，防止数据重复。这里利用了一个简单的正则表达式提时间信息，然后利用pandas的to_csv方法，得到两种编码格式的.csv文件。其中rvr_tab_2019_1_22_ch.csv为中文编码格式，可直接用excel打开，如图2-2所示。

# 找到水库信息的时间
table_time_csel = "#skdate"
time_text = soup.select(table_time_csel)[0].text
time_info = re.search(r"(\d{4})年(\d{1,2})月(\d{1,2})", time_text).groups()

df_table.to_csv("rvr_tab_%s_%s_%s.csv" % time_info, index=None)
# 换一个编码方式，此文件可以直接用excel打开，不会出现乱码
df_table.to_csv("rvr_tab_%s_%s_%s_ch.csv" % time_info,encoding="GB18030", index=None)

图2-2 获取的数据

总结

本文的方法与上一篇《Python+Selenium爬取动态加载页面（1）》的方法类似，只是多一个按钮点击的过程。

从这两篇博文的数据提取过程来看，简单地，其数据获取有如下图所示的过程。

动态网页数据提取流程