标签：请求 imp 网页 数值 == 环境变量 images hub load
记录一次快速实现的python爬虫，想要抓取中财网数据引擎的新三板板块下面所有股票的公司档案，网址为http://data.cfi.cn/data_ndkA0A1934A1935A1986A1995.html。
比较简单的网站不同的页码的链接也不同，可以通过观察链接的变化找出规律，然后生成全部页码对应的链接再分别抓取，但是这个网站在换页的时候链接是没有变化的，因此打算去观察一下点击第二页时的请求
发现使用的是get的请求方法，并且请求里有curpage这个参数，貌似控制着不同页数，于是改动了请求链接中的这个参数值为其他数值发现并没有变化，于是决定换一种方法，就是我们标题中提到的使用selenium+beautifulsoup实现模拟点击网页中的下一页按钮来实现翻页，并分别抓取网页里的内容。
首先我们先做一下准备工作，安装一下需要的包，打开命令行，直接pip install selenium和pip install beautifulsoup4
然后就是下载安装chromedriver的驱动，网址如下https://sites.google.com/a/chromium.org/chromedriver/downloads，记得配置下环境变量或者直接安装在工作目录下。（还可以使用IE、phantomJS等）
这里我们先抓取每一个股票对应的主页链接，代码如下（使用python2）：
1 # -*- coding: utf-8 -*-
2 from selenium import webdriver
3 from bs4 import BeautifulSoup
4 import sys
5 reload(sys)
6 sys.setdefaultencoding(‘utf-8‘)
7
8 def crawl(url):
9 driver = webdriver.Chrome()
10 driver.get(url)
11 page = 0
12 lst=[]
13 with open(‘./url.txt‘,‘a‘) as f:
14 while page < 234:
15 soup = BeautifulSoup(driver.page_source, "html.parser")
16 print(soup)
17 urls_tag = soup.find_all(‘a‘,target=‘_blank‘)
18 print(urls_tag)
19 for i in urls_tag:
20 if i[‘href‘] not in lst:
21 f.write(i[‘href‘]+‘\n‘)
22 lst.append(i[‘href‘])
23 driver.find_element_by_xpath("//a[contains(text(),‘下一页‘)]").click()
24 time.sleep(2)
25 return ‘Finished‘
26 def main():
27 url = ‘http://data.cfi.cn/cfidata.aspx?sortfd=&sortway=&curpage=2&fr=content&ndk=A0A1934A1935A1986A1995&xztj=&mystock=‘
28 crawl(url)
29 if __name__ == ‘__main__‘:
30 main()
运行代码发现总是报错：
这里报错的意思是找不到想要找的按钮。
于是我们去查看一下网页源代码：
发现网页分为不同的frame，所以我们猜想应该需要跳转frame，我们需要抓取的链接处于的frame的name为“content”，所以我们添加一行代码：driver.switch_to.frame(‘content‘)
def crawl(url):
driver = webdriver.Chrome()
driver.get(url)
driver.switch_to.frame(‘content‘)
page = 0
lst=[]
with open(‘./url.txt‘,‘a‘) as f:
while page < 234:
soup = BeautifulSoup(driver.page_source, "html.parser")
print(soup)
urls_tag = soup.find_all(‘a‘,target=‘_blank‘)
print(urls_tag)
for i in urls_tag:
if i[‘href‘] not in lst:
f.write(i[‘href‘]+‘\n‘)
lst.append(i[‘href‘])
driver.find_element_by_xpath("//a[contains(text(),‘下一页‘)]").click()
time.sleep(2)
return ‘Finished‘
至此，运行成：
参考博文链接： http://unclechen.github.io/2016/12/11/python%E5%88%A9%E7%94%A8beautifulsoup+selenium%E8%87%AA%E5%8A%A8%E7%BF%BB%E9%A1%B5%E6%8A%93%E5%8F%96%E7%BD%91%E9%A1%B5%E5%86%85%E5%AE%B9/
http://www.cnblogs.com/liyuhang/p/6661835.html
使用selenium webdriver+beautifulsoup+跳转frame，实现模拟点击网页下一页按钮，抓取网页数据
标签：请求 imp 网页 数值 == 环境变量 images hub load
原文地址：http://www.cnblogs.com/viczhangyuetao/p/7754825.html
