Python3网络爬虫：使用Selenium爬取百度文库word文章

运行平台：Windows

Python版本：Python3.x

IDE：Sublime text3

作者：Jack-Cui

源自：https://blog.csdn.net/c406495762/article/details/72331737

前言

大家都应该有过从百度文库下载东西的经历，对于下载需要下载券的文章，我们可以办理文库VIP（土豪的选择）：

有的人也会在某宝购买一定的下载券，然后进行下载。而另一些勤勤恳恳的人，则会选择上传文章，慢慢攒下载券。任劳任怨的人，则会自己一点一点的复制粘贴，复制到word里文字太大，那就复制到txt文件里。而既不想花钱又不想攒下载券，也不想一点一点复制粘贴的人，会选择“冰点文库”这样的下载软件，不过貌似现在“冰点文库”已经不能使用了。当然，还有一些其他破解方法，比如放到手机的百度文库APP里，另存为文章，不需要下载券就可以下载文章。诸如此类的方法，可谓五花八门。而对于学习爬虫的人来说，面对怎样免费下载一个付费的word文章的问题，第一个想到的应该就是：自己写个程序搞下来。

问题分析

我们以如何下载下面这篇文章为例，分析问题：

URL :https://wenku.baidu.com/view/aa31a84bcf84b9d528ea7a2c.html

看到这样的一个文章，如果爬取当前页面的内容还是很好爬的吧。

感觉so easy！至少我当时是这么想的，但是当把文章翻到最下方的时候，我看到了如下内容：

需要点击“继续阅读”才能显示后续的内容，我单爬这一页内容，是爬不到后续的内容的。第一个想到的方法是，抓包分析下，然后我又一次蒙逼了：

Request URL这么长！！最后的expire时间信息好解决，其他的信息呢？不想做无谓的挣扎，因此，我果断地放弃这个方法。

问题：获取当前页的内容好办，怎么获取接下来页面的内容？

带着这个思考，Selenium神器走入了我的视线。

预备知识

Selenium

Selenium 是什么？一句话，自动化测试工具。它支持各种浏览器，包括 Chrome，Safari，Firefox 等主流界面式浏览器，如果你在这些浏览器里面安装一个 Selenium 的插件，那么便可以方便地实现Web界面的测试。换句话说叫 Selenium 支持这些浏览器驱动。Selenium支持多种语言开发，比如 Java，C，Ruby等等，而对于Python，当然也是支持的！

安装

pip install selenium

详细内容可查看官网文档：

1/小试牛刀

我们先来一个小例子感受一下 Selenium，这里我们用 Chrome 浏览器来测试。

运行这段代码，会自动打开浏览器，然后访问百度。

如果程序执行错误，浏览器没有打开，那么应该是没有装 Chrome 浏览器或者Chrome 驱动

没有配置在环境变量里。下载驱动，然后将驱动文件路径配置在环境变量即可。

驱动下载地址：https://sites.google.com/a/chromium.org/chromedriver/downloads

windows下设置环境变量的方法：

，输入，点击确定，出现如下对话框：

选择高级->环境变量。在系统变量的Path变量中，添加驱动文件路径即可(注意：分号)。

Linux的环境变量也好设置，在文件中export即可，记得。

当然，你不设置环境变量也是可以的，程序可以这样写：

是你的chrome驱动文件位置，可以使用绝对路径。

我们通过驱动的位置传递参数，也可以调用驱动，结果如下图所示：

2/模拟提交

下面的代码实现了模拟提交提交搜索的功能，首先等页面加载完成，然后输入到搜索框文本，点击提交，然后使用page_source打印提交后的页面的信息。

全自动的哦，程序操控！是不是很酷炫？

其中 driver.get 方法会打开请求的URL，WebDriver 会等待页面完全加载完成之后才会返回，即程序会等待页面的所有内容加载完成，JS渲染完毕之后才继续往下执行。注意：如果这里用到了特别多的 Ajax 的话，程序可能不知道是否已经完全加载完毕。

WebDriver 提供了许多寻找网页元素的方法，譬如的方法。例如一个输入框可以通过方法寻找 name 属性来确定。

然后我们输入来文本然后模拟点击了回车，就像我们敲击键盘一样。我们可以利用 Keys 这个类来模拟键盘输入。

最后最重要的一点是可以获取网页渲染后的源代码。通过，输出属性即可。这样，我们就可以做到网页的动态爬取了。

3/元素选取

关于元素的选取，有如下API：

单个元素选取：

find_element_by_idfind_element_by_namefind_element_by_xpathfind_element_by_link_textfind_element_by_partial_link_textfind_element_by_tag_namefind_element_by_class_namefind_element_by_css_selector

多个元素选取：

find_elements_by_namefind_elements_by_xpathfind_elements_by_link_textfind_elements_by_partial_link_textfind_elements_by_tag_namefind_elements_by_class_namefind_elements_by_css_selector

另外还可以利用 By 类来确定哪种选择方式：

importBydriver.find_element(By.XPATH,'//button[text()="Some text"]')

driver.find_elements(By.XPATH,'//button')

By类的一些属性如下：

ID ="id"

XPATH ="xpath"

LINK_TEXT ="link text"

PARTIAL_LINK_TEXT ="partial link text"

NAME ="name"

TAG_NAME ="tag name"

CLASS_NAME ="class name"

CSS_SELECTOR ="css selector"

这些方法跟JavaScript的一些方法有相似之处，，就是根据标签的

id属性查找元素，，就是根据标签的name属性查找元素。

举个简单的例子，比如我想找到下面这个元素：

我们可以这样获取它：

element =driver.find_element_by_id("passwd-id")

element =driver.find_element_by_name("passwd")

element =driver.find_elements_by_tag_name("input")

element =driver.find_element_by_xpath("//input[@id='passwd-id']")

前三个都很好理解，最后一个xpath什么意思？这个无需着急，xpath是非常强大的元素查

找方式，使用这种方法几乎可以定位到页面上的任意元素，在后面我会进行单独讲解。

4/界面交互

通过元素选取，我们能够找到元素的位置，我们可以根据这个元素的位置进行相应的事件操作，例如输入文本框内容、鼠标单击、填充表单、元素拖拽等等。由于篇幅原因，我就不一一讲解了，主要讲解本次实战用到的鼠标单击，更详细的内容，可以查看官方文档。

elem = driver.find_element_by_xpath("//a[@data-fun='next']")elem.click()

比如上面这句话，我使用找到元素位置，暂且不用理会这句话什么意思，暂且理解为找到了一个按键的位置。然后我们使用click()方法，就可以触发鼠标左键单击事件。是不是很简单？但是有一点需要注意，就是在点击的时候，元素不能有遮挡。什么意思？就是说我在点击这个按键之前，窗口最好移动到那里，因为如果这个按键被其他元素遮挡，click()就触发异常。因此稳妥起见，在触发鼠标左键单击事件之前，滑动窗口，移动到按键上方的一个元素位置：

page = driver.find_elements_by_xpath("//div[@class='page']")driver.execute_script('arguments[0].scrollIntoView();', page[-1])

#拖动到可见的元素去

上面的代码，就是将窗口滑动到page这个位置，在这个位置，我们能够看到我们需要点

击的按键。

5/添加User-Agent

使用webdriver，是可以更改User-Agent的，代码如下：

使用Android的User-Agent打开浏览器，画风是这样的

Selenium就先介绍这么多，对于本次实战内容，已经足够。那么接下来，让我们聊聊xpath。

Xpath

这个方法是非常强大的元素查找方式，使用这种方法几乎可以定位到页面上的任意元素。在正式开始使用XPath进行定位前，我们先了解下什么是XPath。XPath是XML Path的简称，由于HTML文档本身就是一个标准的XML页面，所以我们可以使用XPath的语法来定位页面元素。

假设我们现在以图所示HTML代码为例，要引用对应的对象，XPath语法如下：

绝对路径写法(只有一种)，写法如下：

引用页面上的form元素(即源码中的第3行)：

/html/body/form[1]

注意

元素的xpath绝对路径可通过firebug直接查询。

一般不推荐使用绝对路径的写法，因为一旦页面结构发生变化，该路径也随之失效，必须重新写。

绝对路径以单/号表示，而下面要讲的相对路径则以表示，这个区别非常重要。另外需要多说一句的是，当xpath的路径以开头时，表示让Xpath解析引擎从文档的根节点开始解析。当xpath路径以开头时，则表示让xpath引擎从文档的任意符合的元素节点开始进行解析。而当出现在xpath路径中时，则表示寻找父节点的直接子节点，当出现在xpath路径中时，表示寻找父节点下任意符合条件的子节点，不管嵌套了多少层级（这些下面都有例子，大家可以参照来试验）。弄清这个原则，就可以理解其实xpath的路径可以绝对路径和相对路径混合在一起来进行表示，想怎么玩就怎么玩。

下面是相对路径的引用写法：

Xpath功能很强大，所以也可以写得更加复杂一些，如下面图所示的HTML源码。

如果我们现在要引用id为“J_password”的input元素，该怎么写呢？我们可以像下面这样写：

//*[@id='J_login_form']/dl/dt/input[@id='J_password']

也可以写成：

//*[@id='J_login_form']/*/*/input[@id='J_password']

这里解释一下，其中这一段是指在根元素下查找任意id为的元素，此时相当于引用到了form元素。后面的路径必须按照源码的层级依次往下写。按照图（3）所示代码中，我们要找的input元素包含在一个dt标签内，而dt又包含在dl标签内，所以中间必须写上dl和dt两层，才到input这层。当然我们也可以用*号省略具体的标签名称，但元素的层级关系必须体现出来，比如我们不能写成，这样肯定会报错的。

前面讲的都是xpath中基于准确元素属性的定位，其实xpath作为定位神器也可以用于模糊匹配。本次实战，可以进行准确元素定位，因此就不讲模糊匹配了。如果有兴趣，可以自行了解。

动手

实战

以上面提到的文章为例，进行爬取讲解。

URL :https://wenku.baidu.com/view/aa31a84bcf84b9d528ea7a2c.html

页面切换

由于网页的百度文库页面复杂，可能抓取内容不全，因此使用User-Agent，模拟手机登录，然后打印文章标题，文章页数，并进行翻页。先看下这个网站。

我们需要找到两个元素的位置，一个是页码元素的位置，我们根据这个元素的位置，将浏览器的滑动窗口移动到这个位置，这样就可以避免click()下一页元素的时候，有元素遮挡。然后找到下一页元素的位置，然后根据下一页元素的位置，触发鼠标左键单击事件。

我们审查元素看一下，这两个元素：

我们根据这两个元素，就可以通过xpath查找元素位置，代码分别如下：

page =driver.find_elements_by_xpath("//div[@class='page']")

nextpage =driver.find_element_by_xpath("//a[@data-fun='next']")

由于page元素有很多，所以我们使用find_elements_by_xpath()方法查找，然后使用

page[-1]，也就是链表中的最后一个元素的信息进行浏览器窗口滑动，代码如下：

运行效果，自动翻页有了

内容爬取

爬取内容这里，用BeautifulSoup就可以。这里不再细奖，审查元素，自己分析下就有了。代码如下：

爬取结果如下：

爬取的内容还是蛮规整的，对吧？

整体代码

我们能够翻页，也能够爬取当前页面内容，代码稍作整合，就可以爬取所有页面的内容了！找下网页的规律就会发现，5页文章放在一个网页里。思路：爬取正文内容，再根据爬取到的文章页数，计算页数/5.0，得到一个分数，如果这个分数大于1，则翻页继续爬，如果小于或等于1，代表到最后一页了。停止翻页。有一点注意一下，翻页之后，等待延时一下，等待页面加载之后在爬取内容，这里，我们使用最简单的办法，用sleep()进行延时。因此总体代码如下：

运行结果：

瞧，最后一页的内容也爬取下来了，接下来的工作就简单了，把这个结果写到txt文件中，我这里就不再进行讲解了。

至此，整篇的内容，我们都爬取下来了。是不是很酷？那就开始动手实践吧！

总结

这样爬取是可以爬取到内容，但是缺点也很明显：

1、没有处理图片内容，可以后续完善；

2、代码通用性不强，有的文章结构不是这样，需要对代码进行略微修改，才能爬取到内容；

3、对于上百页的内容爬取有些问题，翻页方式变了，需要换种方法处理，有兴趣的可以自己看下；

4、等待页面切换方法太out，可以使用显示等待的方式，等待页面加载；

5、selenium虽好，但是有些耗时，可以使用PhantomJS对这部分代码进行替换；

最后，我感觉我的方法可能有些low，如果有更好的方法，欢迎交流。

PS:如果觉得本篇本章对您有所帮助，欢迎关注、评论