selenium学习实战【Python爬虫】
文章目录
- selenium学习实战【Python爬虫】
- 一、声明
- 二、学习目标
- 三、安装依赖
- 3.1 安装selenium库
- 3.2 安装浏览器驱动
- 3.2.1 查看Edge版本
- 3.2.2 驱动安装
- 四、代码讲解
- 4.1 配置浏览器
- 4.2 加载更多
- 4.3 寻找内容
- 4.4 完整代码
- 五、报告文件爬取
- 5.1 提取下载链接
- 5.2 下载报告
- 六、总结
一、声明
本爬虫项目仅用于学习用途。严禁将本项目用于任何非法目的，包括但不限于恶意攻击网站、窃取用户隐私数据、破坏网站正常运营、商业侵权等行为。
二、学习目标
1.爬取网站链接：https://report.iresearch.cn；
2.爬取不付费的报告信息，标题、行业、作者、摘要和报告原件；
三、安装依赖
3.1 安装selenium库
只介绍主要的，别的库百度自行安装。
打开vscode终端，运行下面命令：
pip install -i https://pypi.douban.com/simple selenium
3.2 安装浏览器驱动
针对不同的浏览器，需要安装不同的驱动。下面列举了常见的浏览器与对应的驱动程序下载链接，部分网址需要 “科学上网” 才能打开哦（dddd）。
Firefox 浏览器驱动：https://github.com/mozilla/geckodriver/releases
Chrome 浏览器驱动：https://chromedriver.storage.googleapis.com/index.html
IE 浏览器驱动：http://selenium-release.storage.googleapis.com/index.html
Edge 浏览器驱动：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
PhantomJS 浏览器驱动：https://phantomjs.org/
Opera 浏览器驱动：https://github.com/operasoftware/operachromiumdriver/releases
我用的时Edge浏览器，所以安装Edge驱动
3.2.1 查看Edge版本
点击三个点，再点击设置
点击左侧最下面关于Edge
3.2.2 驱动安装
下载好双击安装就行。
四、代码讲解
4.1 配置浏览器
# 创建 EdgeOptions 对象，用于配置浏览器选项
edge_options = Options()
# 添加参数忽略证书错误
edge_options.add_argument('--ignore-certificate-errors')
# 添加参数禁用扩展
edge_options.add_argument('--disable-extensions')
# 添加参数禁用沙盒模式
edge_options.add_argument('--no-sandbox')
# 添加参数禁用 GPU 加速
edge_options.add_argument('--disable-gpu')
# 创建 Edge 浏览器驱动实例
driver = webdriver.Edge(options=edge_options)
4.2 加载更多
打开艾瑞网的报告页面，我们会发现加载更多这个按钮，我们可以用代码点击按钮加载，直到自己需要的数量，我这里设置加载10次
鼠标右键点击页面–>点击检查，加载更多按钮定义在这里
# 打开指定 URL 的网页
driver.get(url)
try:
# 用于保存找到的元素信息
found_elements_info = []
found_links = []
wait = WebDriverWait(driver, 10)
# 1. 点击"加载更多"按钮10次
load_count = 0
while load_count < 10:
try:
# 定位"加载更多"按钮
load_more_btn = wait.until(
EC.element_to_be_clickable(
(By.CSS_SELECTOR, 'button#loadbtn') # 根据实际页面调整选择器
)
)
# 点击按钮
load_more_btn.click()
load_count += 1
print(f"已点击加载更多 {load_count}/10 次")
# 等待新内容加载（根据页面加载速度调整）
time.sleep(2)
except Exception as e:
print(f"点击加载更多失败: {e}")
break
# 2. 等待所有内容加载完成
print("等待内容加载完成...")
time.sleep(3) # 额外等待确保所有内容加载完成
4.3 寻找内容
4.4 完整代码
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.edge.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time
import pandas as pd
# 创建 EdgeOptions 对象，用于配置浏览器选项
edge_options = Options()
edge_options.add_argument('--ignore-certificate-errors')
edge_options.add_argument('--disable-extensions')
edge_options.add_argument('--no-sandbox')
edge_options.add_argument('--disable-gpu')
# 创建 Edge 浏览器驱动实例
driver = webdriver.Edge(options=edge_options)
url = 'https://report.iresearch.cn/'
# 打开指定 URL 的网页
driver.get(url)
try:
data_list = [] # 用于保存字典数据
wait = WebDriverWait(driver, 10)
load_count = 0
# 点击"加载更多"按钮10次
while load_count < 11:
try:
load_more_btn = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, 'button#loadbtn'))
)
load_more_btn.click()
load_count += 1
print(f"已点击加载更多 {load_count}/10 次")
time.sleep(2)
except Exception as e:
print(f"点击加载更多失败: {e}")
break
print("等待内容加载完成...")
time.sleep(3)
# 定位所有目标元素
elements = driver.find_elements(By.CSS_SELECTOR, 'li[id^="freport."]')
print(f"共找到 {len(elements)} 个元素")
found_links = []
if elements:
for elem in elements:
try:
# 提取元素信息
title = elem.find_element(By.CSS_SELECTOR, 'h3').text.strip() # 标题
link = elem.find_element(By.CSS_SELECTOR, 'a').get_attribute('href') # 链接
desc = elem.find_element(By.CSS_SELECTOR, 'p').text.strip() if elem.find_elements(By.CSS_SELECTOR, 'p') else "" # 摘要
tags = [tag.text for tag in elem.find_elements(By.CSS_SELECTOR, '.link a')] # 标签
timestamp = elem.find_element(By.CSS_SELECTOR, '.time span').text.strip() # 时间戳
found_links.append(link)
# 构建字典
data_dict = {
"标题": title,
"链接": link,
"描述": desc,
"标签": ", ".join(tags),
"时间": timestamp
}
data_list.append(data_dict)
print(f"找到元素：{title[:30]}...")
except Exception as e:
print(f"处理元素失败: {e}")
continue
# 将找到的链接信息保存到文件
with open('found_links.txt', 'w', encoding='utf-8') as f:
for link in found_links:
f.write(link + '\n')
print("已将找到的链接信息保存到 found_links.txt")
# 将列表转换为DataFrame
df = pd.DataFrame(data_list)
# 保存为CSV文件（也可改为Excel等其他格式）
df.to_csv('iresearch_reports.csv', encoding='utf-8-sig', index=False)
print(f"\n成功保存 {len(data_list)} 条数据到 iresearch_reports.csv")
# 打印DataFrame前5行（可选）
print("\n数据预览：")
print(df.head())
else:
print("未找到符合条件的元素。")
except Exception as e:
print("定位元素失败：", e)
with open('page_source.html', 'w', encoding='utf-8') as f:
f.write(driver.page_source)
print("已保存页面源代码到 page_source.html")
finally:
time.sleep(2)
driver.quit()
运行后我们得到两个文件，报告链接文件和报告信息
内容格式如下：
五、报告文件爬取
通过前面的学习，我们已经得到了链接文件，从中提取出我们需要的下载链接，然后通过爬虫去遍历这些链接，下载报告原件
5.1 提取下载链接
import re
# 读取文件内容
with open('found_links.txt', 'r', encoding='utf-8') as f:
links = f.readlines()
# 定义正则表达式
pattern = re.compile(r'https?://[^/]+/report/.+?/(\d+)\.shtml')
# 提取数字ID
extracted_ids = []
for link in links:
link = link.strip() # 去除换行符
match = pattern.search(link)
if match:
extracted_ids.append(match.group(1)) # 取第一个捕获组
else:
print(f"未匹配到ID：{link}")
# 输出结果
print("提取的数字ID列表：")
print(extracted_ids)
link_template = 'https://report.iresearch.cn/include/ajax/user_ajax.ashx?reportid={}&work=rdown&url=https%3A%2F%2Freport.iresearch.cn%2Freport%2F202505%2F{}.shtml'
# 生成替换后的链接列表
new_links = []
for report_id in extracted_ids:
new_link = link_template.format(report_id, report_id)
new_links.append(new_link)
print(f"生成链接: {new_link}")
# 保存结果到文件
with open('generated_links.txt', 'w', encoding='utf-8') as f:
f.write('\n'.join(new_links))
print("已保存生成的链接到 generated_links.txt")
5.2 下载报告
下载报告需要登录，cookie值的设置绕过登录操作
from selenium import webdriver
from selenium.webdriver.edge.options import Options
import random
import time
# 创建 EdgeOptions 对象，用于配置浏览器选项
edge_options = Options()
# 添加参数忽略证书错误
edge_options.add_argument('--ignore-certificate-errors')
# 添加参数禁用扩展
edge_options.add_argument('--disable-extensions')
# 添加参数禁用沙盒模式
edge_options.add_argument('--no-sandbox')
# 添加参数禁用 GPU 加速
edge_options.add_argument('--disable-gpu')
# 创建 Edge 浏览器驱动实例
driver = webdriver.Edge(options=edge_options)
# 先访问站点基础页面（比如首页），让浏览器先有站点的基础上下文，再设置 Cookie 更有效
driver.get('https://report.iresearch.cn/') # 替换为实际站点域名
# 逐个设置关键 Cookie
cookies = [
{'name': 'iRsUserType', 'value': '49'},
{'name': 'iRsUserPhoto', 'value': ''}, # 替换为完整真实值
{'name': 'iRsUserPassword', 'value': ''},
{'name': 'iRsUserNick', 'value': ''}, # 补全真实值
{'name': 'iRsUserRName', 'value': ''},
{'name': 'iRsUserId', 'value': ''},
{'name': 'iRsUserGroup', 'value': '48'},
{'name': 'iRsUserDate', 'value': ''},
{'name': 'iRsUserAccount', 'value': ''},
{'name': 'Hm_lvt_c33e4c1e69eca76a2e522c20e59773f6', 'value': '‘},
{'name': 'Hm_lpvt_c33e4c1e69eca76a2e522c20e59773f6', 'value': ''},
{'name': 'HMACCOUNT', 'value': ''},
]
for cookie in cookies:
try:
driver.add_cookie(cookie)
except Exception as e:
print(f"设置 Cookie {cookie['name']} 失败：{e}")
# 重新加载页面，让设置的 Cookie 生效，尝试绕过登录
driver.refresh()
time.sleep(3) # 等待页面加载
# 读取文件中的链接（假设链接文件为当前目录下的generated_links.txt）
def read_links():
with open("generated_links.txt", "r", encoding="utf-8") as f:
links = [line.strip() for line in f if line.strip()]
return list(set(links)) # 去重处理
# 模拟浏览器遍历链接
def browse_links(links):
try:
for idx, link in enumerate(links, 1):
try:
driver.get(link)
print(f"{idx}/{len(links)}正在访问：{link}")
# 模拟真实用户行为
time.sleep(random.uniform(3, 7)) # 随机停留3-7秒
scroll_height = driver.execute_script("return document.body.scrollHeight")
driver.execute_script(f"window.scrollTo(0, {random.randint(0, scroll_height)})") # 随机滚动
# 偶尔模拟刷新（增加随机性）
if random.random() < 0.2:
driver.refresh()
time.sleep(2)
except Exception as e:
print(f"访问失败：{link} | 错误：{str(e)[:50]}...")
continue # 跳过当前链接
finally:
time.sleep(2)
driver.quit()
print("\n所有链接遍历完成！")
# 主程序入口
if __name__ == "__main__":
links = read_links()
if links:
print(f"检测到 {len(links)} 个链接，开始遍历...")
browse_links(links)
else:
print("未找到有效链接")
六、总结
基本完成了任务目标，但是并没有进行模块化处理。
