基于selenium爬取去哪儿酒店信息
去哪儿网站中,要爬取旅游的酒店信息,我们用通常的requests库进行爬取的时候发现,当我们要翻页的时候网址未出现变化,返回的网页源码信息始终只有第一页的内容,那么有没有一种方式可以使得能够翻页爬取呢?这时候我们要用爬虫常用的selenium框架进行爬取了,下面就让我们来一起学习下,这篇关于用selenium怎么来爬取去哪儿网站的酒店信息,希望大家在阅读完之后有所收获。
下载selenium第三方库:
这里我们使用命令 pip install selenium进行安装,这里可能安装的过程会有点慢,我们可以加一个镜像进行安装,命令如下:
pip install selenium -i https://pypi.tuna.tsinghua.edu.cn/simple
安装浏览器驱动:
我们首先需要确定我们浏览器的版本,这里我使用的是谷歌浏览器
下载驱动的网址有以下几个:
谷歌浏览器
https://chromedriver.storage.googleapis.com/index.html
火狐浏览器
https://github.com/mozilla/geckodriver/releases
Edge浏览器
Microsoft Edge WebDriver - Microsoft Edge Developer
下载完成之后,把驱动导入python的安装目录里面:
这样我们的selenium安装所需的步骤就完成了,下面我们对网站进行爬取
导入所需要的库:
from selenium import webdriver
from lxml import html
import time
import re
from selenium.webdriver.common.by import By
from selenium.webdriver import ChromeOptions
import json
分析网页:
我们先明确我们要提取的信息,这里我要的到的内容为如下:
当我们访问网址
https://hotel.qunar.com/cn/fuzhou_fujian?fromDate=2023-05-20&toDate=2023-05-21&cityName=%E7%A6%8F%E5%B7%9E
会发现要获取网页的信息,我们需要提前登录才能查看,如图所示:
因此我们如何要使用selenium爬取的时候,需要进行模拟登录的操作,才能获取完整的网页源码信息
步骤一:
我们需要模拟登录网页,这里我采用的获取登录后的cookie信息,然后进行模拟登录的操作
代码如下:
option = ChromeOptions()
# 配置浏览器的相关设置,把浏览器设置系统不可检测
option.add_experimental_option('excludeSwitches', ['enable-automation'])
# 设置编码集
option.add_argument('lang=zh_CN.UTF-8')
browser = webdriver.Chrome(options=option)browser.get('https://hotel.qunar.com/cn/fuzhou_fujian?fromDate=2023-04-15&toDate=2023-04-16&cityName=%E7%A6%8F%E5%B7%9E')time.sleep(30)
dictCookies = browser.get_cookies() # 获取list的cookies
jsonCookies = json.dumps(dictCookies) # 转换成字符串保存with open('cookie.txt', 'w') as f:f.write(jsonCookies)
print('cookies保存成功!')
这里我们在selenium模拟打开网页的时候,我们设置30s等待时间,将我们的登录信息填写完毕,再获取我们的cookie信息,保存在文件“cookie.txt”中
步骤二:
获取cookie信息之后,接下来我们就正式开始爬取信息,首先我们要先要用上一步采集的cookie信息来进行模拟登录的操作,代码如下:
def crack_permissions(browser):# 休眠,避免浏览器加载过慢time.sleep(5)# 读取cookie文件,拿到用户的登录cookie信息with open('cookie.txt', 'r', encoding='utf8') as f:listCookies = json.loads(f.read())# 往browser里添加cookiesfor cookie in listCookies:cookie_dict = {'domain': '.qunar.com','name': cookie.get('name'),'value': cookie.get('value'),"expires": '','path': '/','httpOnly': False,'HostOnly': False,'Secure': False}browser.add_cookie(cookie_dict)# 刷新浏览器信息browser.refresh()time.sleep(2)
步骤三:
登录后我们就可以开始抓取网页的源码信息了,这里我们需要设置要爬取的页面数量,这里我设置的120页,值得注意的是我们每次翻页的时候,需要进行一个下滑网页的操作,加载网页的内容,等待网页渲染,否则不能得到完整的网页信息,下滑代码如下:
# 模拟下滑到底部操作for j in range(1, 4):browser.execute_script("window.scrollTo(0, document.body.scrollHeight);")time.sleep(1)
步骤四:
接下来我们对网页源码进行清洗,这里我使用的是xpath进行清洗,代码如下:
# 获取网页信息resp = browser.page_source# 加载xpath,用于数据解析etree = html.etreexml = etree.HTML(resp)
然后对每一栏信息进行提取,代码如下:
for k in range(1, 21):# name: 酒店名称name = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[1]/a/text()')if len(name) > 0:mess_dict['name'] = name[0]else:mess_dict['name'] = ''# 酒店价格price = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[2]/p[1]/a/text()')if len(price) > 0:try:mess_dict['price'] = int(price[0])except:mess_dict['price'] = 0else:mess_dict['price'] = 0# 类型,例如:舒适型、高档型等dangciText = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[1]/span[2]/text()')if len(dangciText) > 0:mess_dict['dangciText'] = dangciText[0]else:mess_dict['dangciText'] = ''# 酒店评分score = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[1]/text()')if len(score) > 0:try:mess_dict['score'] = float(score[0])except:mess_dict['score'] = 0.0else:mess_dict['score'] = 0.0# 酒店整体评价commentDesc = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[2]/text()')if len(commentDesc) > 0:'''这里需要加入一个判断逻辑,在标签上有时候会与评论数相重叠,这里需要判断提取信息是否为评论数'''tmp = re.findall('共(.*?)条评论', commentDesc[0])if len(tmp) > 0:mess_dict['commentDesc'] = ''else:mess_dict['commentDesc'] = commentDesc[0]else:mess_dict['commentDesc'] = ''# 酒店评论数commentCount = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[3]/text()')if len(commentCount) == 0:commentCount = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[2]/text()')if len(commentCount) > 0:tmp = re.findall('共(.*?)条评论', commentCount[0])if len(tmp) > 0:try:mess_dict['commentCount'] = int(tmp[0])except:mess_dict['commentCount'] = 0else:mess_dict['commentCount'] = 0else:mess_dict['commentCount'] = 0# 酒店大致位置locationInfo = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[3]/text()')if len(locationInfo) > 0:mess_dict['locationInfo'] = locationInfo[0]else:mess_dict['locationInfo'] = ''
步骤五:
经过以上步骤,我们得到了我们想要的信息内容,这里我们要把数据存储在一个地方,我采用的是数据库存储:
def Connect_Sql(data_name: str):db = pymysql.connect(host='localhost',user='root',password='root',db=data_name,port=3306)return dbdef save_data_sql(data):try:conn = Connect_Sql('ptu')cursor = conn.cursor()try:sql = "insert into hotel_mess values (%s,%s,%s,%s,%s,%s,%s,%s)"cursor.execute(sql, data)except:print("缺失")conn.commit()cursor.close()conn.close()except:print("失败!")
最后得到的酒店信息的大致内容如下:
完整的代码如下:
获取cookie:
from selenium import webdriver
from lxml import html
import time
import re
from selenium.webdriver.common.by import By
from selenium.webdriver import ChromeOptions
import json
from save_data import save_data_sql
import datetimeoption = ChromeOptions()
# 配置浏览器的相关设置,把浏览器设置系统不可检测
option.add_experimental_option('excludeSwitches', ['enable-automation'])
# 设置编码集
option.add_argument('lang=zh_CN.UTF-8')
browser = webdriver.Chrome(options=option)browser.get('https://hotel.qunar.com/cn/fuzhou_fujian?fromDate=2023-04-15&toDate=2023-04-16&cityName=%E7%A6%8F%E5%B7%9E')time.sleep(30)
dictCookies = browser.get_cookies() # 获取list的cookies
jsonCookies = json.dumps(dictCookies) # 转换成字符串保存with open('cookie2.txt', 'w') as f:f.write(jsonCookies)
print('cookies保存成功!')
爬取酒店信息:
from selenium import webdriver
from lxml import html
import time
import re
from selenium.webdriver.common.by import By
from selenium.webdriver import ChromeOptions
import json
from save_data import save_data_sql# 获取浏览器驱动
def get_driver():option = ChromeOptions()# 配置浏览器的相关设置,把浏览器设置系统不可检测option.add_experimental_option('excludeSwitches', ['enable-automation'])# 设置编码集option.add_argument('lang=zh_CN.UTF-8')browser = webdriver.Chrome(options=option)return browser# 破解权限,拿到浏览器的cookie,进行模拟登录,绕开登录反爬
def crack_permissions(browser):# 休眠,避免浏览器加载过慢time.sleep(5)# 读取cookie文件,拿到用户的登录cookie信息with open('cookie2.txt', 'r', encoding='utf8') as f:listCookies = json.loads(f.read())# 往browser里添加cookiesfor cookie in listCookies:cookie_dict = {'domain': '.qunar.com','name': cookie.get('name'),'value': cookie.get('value'),"expires": '','path': '/','httpOnly': False,'HostOnly': False,'Secure': False}browser.add_cookie(cookie_dict)# 刷新浏览器信息browser.refresh()time.sleep(2)# 启动任务
def start_task(browser):for i in range(120):# 模拟下滑到底部操作for j in range(1, 4):browser.execute_script("window.scrollTo(0, document.body.scrollHeight);")time.sleep(1)# 获取网页信息resp = browser.page_source# 加载xpath,用于数据解析etree = html.etreexml = etree.HTML(resp)# 指定日期date_time = '2023-05-20'mess_dict = {}for k in range(1, 21):# name: 酒店名称name = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[1]/a/text()')if len(name) > 0:mess_dict['name'] = name[0]else:mess_dict['name'] = ''# 酒店价格price = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[2]/p[1]/a/text()')if len(price) > 0:try:mess_dict['price'] = int(price[0])except:mess_dict['price'] = 0else:mess_dict['price'] = 0# 类型,例如:舒适型、高档型等dangciText = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[1]/span[2]/text()')if len(dangciText) > 0:mess_dict['dangciText'] = dangciText[0]else:mess_dict['dangciText'] = ''# 酒店评分score = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[1]/text()')if len(score) > 0:try:mess_dict['score'] = float(score[0])except:mess_dict['score'] = 0.0else:mess_dict['score'] = 0.0# 酒店整体评价commentDesc = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[2]/text()')if len(commentDesc) > 0:'''这里需要加入一个判断逻辑,在标签上有时候会与评论数相重叠,这里需要判断提取信息是否为评论数'''tmp = re.findall('共(.*?)条评论', commentDesc[0])if len(tmp) > 0:mess_dict['commentDesc'] = ''else:mess_dict['commentDesc'] = commentDesc[0]else:mess_dict['commentDesc'] = ''# 酒店评论数commentCount = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[3]/text()')if len(commentCount) == 0:commentCount = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[2]/span[2]/text()')if len(commentCount) > 0:tmp = re.findall('共(.*?)条评论', commentCount[0])if len(tmp) > 0:try:mess_dict['commentCount'] = int(tmp[0])except:mess_dict['commentCount'] = 0else:mess_dict['commentCount'] = 0else:mess_dict['commentCount'] = 0# 酒店大致位置locationInfo = xml.xpath(f'//*[@id="hotel_lst_body"]/li[{k}]/div/div[3]/p[3]/text()')if len(locationInfo) > 0:mess_dict['locationInfo'] = locationInfo[0]else:mess_dict['locationInfo'] = ''# 读入数据库save_data_sql((mess_dict['name'], mess_dict['price'], mess_dict['dangciText'], mess_dict['score'],mess_dict['commentDesc'], mess_dict['commentCount'], mess_dict['locationInfo'], date_time))print(mess_dict)time.sleep(1)browser.find_element(By.XPATH, '//*[@id="root"]/div/section/section[1]/aside[1]/div[7]/p[1]').click()time.sleep(1)# 加载浏览器驱动
browser = get_driver()
# 进入网页
browser.get('https://hotel.qunar.com/cn/fuzhou_fujian?fromDate=2023-05-20&toDate=2023-05-21&cityName=%E7%A6%8F%E5%B7%9E')
# 破解权限
crack_permissions(browser=browser)
# 启动任务
start_task(browser=browser)
总结
爬取酒店信息的重难点主要在于模拟的登录的过程,需要注意的坑是每次我们翻页的时候要下拉下滑网页,等待网页加载,加载完毕之后才能获取网页信息,再来就是网页信息的清洗,这里值得注意的是可能存在标签错位的情况,这里我们就要特殊情况,特殊处理。
基于selenium爬取去哪儿酒店信息相关推荐
- 爬取去哪儿酒店信息及评论
爬取去哪儿酒店信息及评论 第一步,获取城市列表 import requests import json import codecs# 去哪儿城市列表 url = "https://touch ...
- 利用selenium爬取携程酒店信息
上节博客我们利用requests请求库,正则表达式来提取信息(链接https://mp.csdn.net/postedit/81865681),提到过使用selenium也可以抓取酒店信息,在这里利用 ...
- python携程酒店评论_Python基于selenium爬取携程酒店评论信息
爬取站点 任意一个携程酒店的详细链接,这里给出了四个,准备开四个线程爬取: https://hotels.ctrip.com/hotel/6278770.html#ctm_ref=hod_hp_hot ...
- python selenium爬取去哪儿网的酒店信息——详细步骤及代码实现
目录 准备工作 一.webdriver部分 二.定位到新页面 三.提取酒店信息 ??这里要注意?? 四.输出结果 五.全部代码 准备工作 1.pip install selenium 2.配置浏览器驱 ...
- python爬取酒店信息_python selenium爬取去哪儿网的酒店信息(详细步骤及代码实现)...
准备工作 1.pip install selenium 2.配置浏览器驱动.配置其环境变量 Selenium3.x调用浏览器必须有一个webdriver驱动文件 Chrome驱动文件下载chromed ...
- 利用Selenium爬取淘宝商品信息
文章来源:公众号-智能化IT系统. 一. Selenium和PhantomJS介绍 Selenium是一个用于Web应用程序测试的工具,Selenium直接运行在浏览器中,就像真正的用户在操作一样. ...
- python关于二手房的课程论文_基于python爬取链家二手房信息代码示例
基本环境配置 python 3.6 pycharm requests parsel time 相关模块pip安装即可 确定目标网页数据 哦豁,这个价格..................看到都觉得脑阔 ...
- 最新爬取携程酒店信息上:思路讲解
本以为携程的信息很好爬,但是在我目前能力一般的时候,经过尝试,发现了携程真的有太多坑了,虽然说代码和大佬比起来不是最优的,但是可以完成爬取任务. 在这里记录一下本次学习过程,为后人乘凉. 要爬取所有的 ...
- python selenium 爬取去哪儿网的数据
python selenium 爬取去哪儿网的数据 完整代码下载:https://github.com/tanjunchen/SpiderProject/tree/master/selenium+qu ...
最新文章
- 北京国家新一代人工智能创新发展试验区正式成立
- sqlserver Distributed Transaction 分布式事务
- Codeforces #536 div2 E (1106E)Lunar New Year and Red Envelopes (DP)
- Python编程基础:第十五节 二维列表2D Lists
- SQL---JDBC基础6步
- [Linux实用工具]Ubuntu环境下SSH的安装及使用
- linux网站权限一直自动关闭,奇妙伞-解决SELinux对网站目录权限控制的不当的问题--网上摘抄集合,记录使用...
- fit文件用python画瀑布图
- Ubuntu系统安装 - 单系统
- 物流配送快递管理系统javabean
- 排序算法2:直接选择排序
- Java中计算包含汉字字符串长度的方法
- 商品库存清单案例java_JAVA实现简单的商城库存清单
- 空间注意力 通道注意力_注意力发生了什么变化?
- 解决chrome浏览器一打开就弹出hao123问题
- Android Design - 设计风格
- 阅读笔记 - 20220401
- 职场 | 联发科MTK手机通信协议软件开发工程师面试总结
- 移动手机用户目录下的证书至根目录下
- win10删除鼠标右键选项
热门文章
- 社区党群服务中心管理系统(QQ聊天等功能)
- word中打出希腊字母
- 目标检测YOLO实战应用案例100讲-小麦麦穗的目标检测与杂草分类识别研究
- hc05与单片机连接图_单片机开发一个数据采集系统,一看就是高手
- 域名申请·多域名SSL证书申请·SSL证书认证流程·CAA解析记录添加
- ATP Cincinnati Roger VS Djokovic
- 浅析js中e.target和e.currentTarget的区别
- display:agl-compositor
- Web编程原理之HTTP协议
- 我再等一分钟 或许下一分钟