当前位置:   article > 正文

使用selenium获取百度搜索内容_selenium爬取百度搜索结果

selenium爬取百度搜索结果
from selenium import webdriver
import csv
import threading
import time
from lxml import etree
from queue import Queue


class BaiduSpider(object):
    def __init__(self):
        self.url = 'https://www.baidu.com/'
        self.driver = webdriver.Chrome()
        self.q = Queue()

    def get_first_page(self):
        self.driver.get(self.url)
        self.driver.find_element_by_name('wd').send_keys('注册页面')
        self.driver.find_element_by_id('su').click()
        time.sleep(2)

    def parse_page(self):
        response = self.driver.page_source
        html = etree.HTML(response)
        hrefs = html.xpath('//div[@class="result c-container "]/h3[@class="t"]/a/@href')
        flag = html.xpath('//div[@id="page"]/a[last()]/@class')[0]
        return flag, hrefs

    def parse_detail_page(self):
        while True:
            if self.q.qsize():
                # 获取队列中的URL
                url = self.q.get()
                driver = webdriver.Chrome()
                driver.get(url)
                try:
                    html = driver.page_source
                except:
                    driver.quit()
                else:
                    driver.quit()
                    # 保存到本地
                    self.save_new_url(url)
            else:
                time.sleep(10)

    def get_page_html(self):
        # 获取第一页数据
        self.get_first_page()
        page_num = 1
        while True:
            # 解析页面数据,判定是否继续爬取,以及获取详情页的URL
            flag, urls = self.parse_page()
            # 判断是否为末页
            if flag != 'n':
                print('已爬取百度全部数据')
                break
            # 将详情页URL加入队列
            for url in urls:
                self.q.put(url)
            # 跳转至下一页
            time.sleep(4)
            self.driver.find_element_by_xpath('//div[@id="page"]/a[last()]').click()

    def get_dtail_html(self):
        while True:
            if self.q.qsize() != 0:
                print(self.q.qsize())
                url = self.q.get()
                print(url)
            else:
                time.sleep(5)

    def run(self):
        # 获取每页URL
        c = threading.Thread(target=self.get_page_html)
        c.start()
        # 解析详情页
        t = threading.Thread(target=self.get_dtail_html)
        t.start()


if __name__ == '__main__':
    zhuce = BaiduSpider()
    zhuce.run()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/木道寻08/article/detail/768287
推荐阅读
相关标签
  

闽ICP备14008679号