想爬取https://www.aqistudy.cn/空氣質量網上的河北省空氣歷史數據，

?

?

之前使用python寫過基于scrapy的爬蟲，想故技重施發現爬取不到想要的數據，仔細看過網頁源代碼后發現表格中的數據是動態加載的，使用開發者工具想要查看傳輸的數據結果

發現數據被加密了，百度過解決辦法后決定選擇selenium實現動態的數據爬取

一、什么是selenium？

selenium 是一個用于Web應用程序測試的工具。Selenium測試直接運行在瀏覽器中，就像真正的用戶在操作一樣，selenium用于爬蟲，主要是用來解決javascript渲染的問題

二、selenium基本實現

?

1.聲明瀏覽器對象

browser=webdriver.Chrome('C:\ProgramFiles(x86)\Google\Chrome\Application\chromedriver.exe') 在這里需要安裝相應的webdriver需要注意兩點 （1）是下載時注意瀏覽器版本和webdriver的版本號對應 （2）網上關于webdriver安裝都要求配置環境變量，本人經實驗發現程序還是會報找不到path，因此我直接將webdriver放在chrome路徑下，而后在聲明時直接貼上路徑

2.訪問頁面 browser.get("http://www.baidu.com") 在這里我觀察了空氣質量網的url，發現格式為 https://www.aqistudy.cn/historydata/daydata.php?city=城市名&month=年月 3.查找元素與selenium操作 這里selenium提供了很多函數讓我們進行操作，其中很關鍵的兩個就是通過xpath查找元素find_elements_by_xpath以及JavaScript的執行命令execute_script，而我就很厲害了，pands中有一個函數叫做read_html pd.read_html(browser.page_source, header=0)[0] 通過它的實現我直接獲得頁面中表格的dataframe格式，怎么處理當然就是任我揉捏了 3.關閉browser browser.close() ?

在執行過程中，出現了爬取結果為空的情況，判斷原因為頁面未加載完成，設置time.sleep(1)發現并不能解決問題，在使用八爪魚采集器采集過程中，發現八爪魚對未采集到的界面的處理是重復采集，因此在采集字段后接了一條判斷語句，若結果為空，則重復采集

詳見代碼

1 #coding=utf-8 2 from selenium import webdriver 3 import cx_Oracle #引用模塊cx_Oracle 4 import pandas as pd 5 import os 6 #若數據為空，則重復采集 7 def paqu(uurl): 8 browser.get(uurl) 9 dfs = pd.read_html(browser.page_source, header=0)[0] 10 if len(dfs)>1: 11 return dfs 12 else: 13 return paqu(uurl) 14 os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8' #防止oracle數據亂碼 15 conn=cx_Oracle.connect('Xho', 'sys', 'localhost:1521/orcl') #連接數據庫 16 cursor=conn.cursor()#獲取cursor游標 17 18 #聲明瀏覽器對象 19 browser = webdriver.Chrome('C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe') 20 base_url='https://www.aqistudy.cn/historydata/daydata.php?city=' 21 city=['石家莊','保定','唐山','邯鄲','邢臺','滄州','衡水','廊坊','承德','秦皇島','張家口'] 22 23 year=[201301,201401,201501,201601,201701,201801] 24 list_data=[] 25 list_row=[] 26 for p in range(len(city)): 27 for i in year: 28 for j in range(12): 29 num = i + j 30 if num > 201311 and num < 201809: 31 uurl=base_url+city[p]+'&month='+str(num) 32 dfs=paqu(uurl) 33 #time.sleep(1) 34 dfs['city']=city[p] 35 for s in range(0, len(dfs)): 36 date = dfs.iloc[s, 0] 37 list_row.append(date) 38 aqi = dfs.iloc[s, 1] 39 list_row.append(aqi) 40 grade = dfs.iloc[s, 2] 41 list_row.append(grade) 42 pm25 = dfs.iloc[s, 3] 43 list_row.append(pm25) 44 pm10 = dfs.iloc[s, 4] 45 list_row.append(pm10) 46 so2 = dfs.iloc[s, 5] 47 list_row.append(so2) 48 co = dfs.iloc[s, 6] 49 list_row.append(co) 50 no2 = dfs.iloc[s, 7] 51 list_row.append(no2) 52 o3 = dfs.iloc[s, 8] 53 list_row.append(o3) 54 chsh=dfs.iloc[s,9] 55 list_row.append(chsh) 56 57 list_data.append(list_row) 58 list_row=[] 59 for n in range(len(list_data)): 60 sql = 'insert into AIR_ZL (A_DATE,AQI,GRADE,PM25,PM10,SO2,CO,NO2,O3_8H,CITY) VALUES (:A_DATE,:AQI,:GRADE,:PM25,:PM10,:SO2,:CO,:NO2,:O3_8H,:CITY)' 61 x = cursor.execute(sql, (list_data[n][0], float(list_data[n][1]), list_data[n][2],float(list_data[n][3]),float(list_data[n][4]),float(list_data[n][5]),float(list_data[n][6]),float(list_data[n][7]),float(list_data[n][8]),list_data[n][9])) 62 conn.commit(); 63 list_data=[] 64 cursor.close() # 關閉cursor 65 conn.close() # 關閉連接 66 browser.close()

?

轉載于:https://www.cnblogs.com/ToDoNow/p/9475067.html

總結

以上是生活随笔為你收集整理的学习随笔-python动态爬取空气质量网数据的实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。