Python+Selenium爬取动态加载页面（1）

注： 最近有一小任务，需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。由于这两个网站的数据都是动态加载出来的，所以我用了Selenium来完成我的数据获取。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。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。

1、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，一般来说越新越好。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自不必多说，非常强大的数据分析库，网上教程非常丰富。bs4是一个比较方便的html页面解析的包，详细的可以自由百度教程，网上有很多，当然也有它的Beautiful Soup官网文档，这是中文的，比较良心。selenium能够用于自动测试我们的网页，模拟我们的浏览器，也很强大，它的说明文档在此。

• 最后我们需要安装浏览器的支持，如果电脑上已安装有Chrome浏览器，则还需下载chromedirver，注意需要安装与浏览器对应的版本，下载完成后，需要将其添加至系统的Path中。也可以安装PhantomJS，这是一个无界面的浏览器，速度更快一些，体积也不大。同样，下载好后，需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。

2、详细爬取过程

2.1 分析待爬取网页

打开我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/如下图2-1所示，我们可以看到它的数据是动态地在更新，每次只显示了十多条数据，但是这只是一个假象，其实在我们打开页面，加载完成后，所有的数据已经加载过来了，只是没有显示出来，不信我们可以按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；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 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（需提前安装好chromedriver）
browser = webdriver.Chrome()
# browser = webdriver.PhantomJS()
print("正在打开网页...")
browser.get("http://123.127.175.45:8082/")

（2）得到页面源码

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

print("等待网页响应...")
# 需要等一下，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

通过CSS选择器定位到我们的表头数据和表数据，如下图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]

# 得到表头数据
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])

我们查看water_df可以得到如下数据表头：

	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	站点情况

（4）提取数据

上面我们从表数据中的tr标签获得所有数据行后，将其所有数据提取出来，添加到我们前面定义好的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，如下表

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	站点情况
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

得到数据后，一般要保存我们的数据，pandas给我们提供了非常方便的方法，可以保存为各种常见格式的数据，下面我们将其保存为.csv文件格式，由于这里面有中文编码，所以另外还保存了一个GB18030编码格式的文件，这样直接用excel打开，不会出现乱码。平时如果处理数据，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，可以看到下面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，可以看到如下图2-4。

图2-4 最终获取的数据

总结

这次，我们主要用selenium模型浏览器得到动态加载的HTML页面源码，然后利用BeautifulSoup解析其中的数据，最后利用Pandas处理我们数据。

这也是我第1次写爬虫，还请各位不吝赐教。此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。