网站制作中企动力优上海小企业网站建设

一、爬虫

1.1 爬虫解释

爬虫简单的说就是模拟人的浏览器行为，简单的爬虫是request请求网页信息，然后对html数据进行解析得到自己需要的数据信息保存在本地。

1.2 爬虫的思路

# 1.发送请求

# 2.获取数据

# 3.解析数据

# 4.保存数据

1.3 爬虫工具

DrissionPage的个人空间-DrissionPage个人主页-哔哩哔哩视频

DrissionPage® 是一个基于 Python 的网页自动化工具。

既能控制浏览器，也能收发数据包，还能把两者合而为一。

可兼顾浏览器自动化的便利性和 requests 的高效率。

功能强大，语法简洁优雅，代码量少，对新手友好。

可以参考官网视频学习基本概念。

二、爬虫实战

2.1 爬虫需求

对首页 - 人民法院案例库的4884条法律案件信息进行csv保存。

2.2 爬虫效果

爬虫后的效果图：

2.3 爬虫实现过程

2.3.1 环境配置

最好先再本地安装好anaconda，然后创建虚拟环境和安装这个包。如何安装anaconda可以参考我之前的博客手把手教你使用云服务器和部署相关环境！！！-CSDN博客

conda create -n pachong python=3.10.16 -y

conda activate pachong

pip install DrissionPage==4.1.0.18

DrissionPage       4.1.0.18

python  3.10.16

2.3.2 学习DrissionPage的基本操作

设置好DrissionPage的默认浏览器启动路径，找到自己的chrome浏览器或者edge浏览器,得到路径，注意是需要.exe的执行文件路径，运行下面的代码就设置好了浏览器的启动环境。

from DrissionPage import ChromiumOptions

path = r'C:\Program Files\Google\Chrome\Application\Chrome.exe'  # 请改为你电脑内Chrome可执行文件路径

ChromiumOptions().set_browser_path(path).save()

 实例化浏览器对象和关闭浏览器对象操作

# 浏览器对象，标签页对象，页面元素对象

from DrissionPage import Chromium

# 链接浏览器

browser = Chromium()

browser.set.retry_interval(5)# 设置重试间隔

tab = browser.latest_tab

# 关闭浏览器

browser.quit()

 标签页的相关函数

# 浏览器对象，标签页对象，页面元素对象

from DrissionPage import Chromium

# 链接浏览器

browser = Chromium()

browser.set.retry_interval(5)# 设置重试间隔

tab = browser.latest_tab

tab.get('http://DrissionPage.cn') # 使用标签页访问url函数

tab2 = browser.new_tab("http://www.baidu.com") # 新建标签页函数

tab3 = browser.get_tab(title="DrissionPage") # 访问标签页函数

# 关闭标签页对象

tab.close()

# 标签页的后退前进与刷新

tab.back(2) # 后退2次

tab.forward(1) # 前进

tab.refresh() # 刷新

# 关闭浏览器

browser.quit()

 html元素对象的相关函数，元素可以使用Xpath语法进行定位

from DrissionPage import Chromium

# 链接浏览器

browser = Chromium()

browser.set.retry_interval(5)# 设置重试间隔

tab = browser.latest_tab

tab.get('http://DrissionPage.cn')

# 获取页面元素

# tab对象中直接查找

ele = tab.ele('使用文档') # 获取文本中包含“使用文档”的元素

ele.check() # 点击元素

# 相对位置查找

ele2 = ele.next() # 获取ele的下一个兄弟元素

ele2.click() # 点击元素

# 关闭浏览器

# browser.quit()

 一个实例

from DrissionPage import Chromium

# 链接浏览器

browser = Chromium()

browser.set.retry_interval(5)# 设置重试间隔

tab2 = browser.new_tab("http://www.baidu.com")

# 定位一个元素，输入按钮 , x表示xpath语法

input_btn = tab2.ele('x://*[@id="kw"]')

print(input_btn.html)

# 输入搜索内容

input_btn.input("python")

# 定位一个搜索按钮

search_btn = tab2.ele('x://*[@id="su"]')

search_btn.click()

2.3.3 获取目标网页的数据

2.3.3.1 抓包分析得到数据，需要先监听标识符

按F12进入开发者模式，刷新页面，再network中可以搜索相关的数据包

比如我们搜索，蒋某华猥亵儿童案。只有一个搜索结果，headers是前端请求后端的信息，preview是请求结果的预览信息，response是请求结果的详细信息。我们对数据抓包主要是看这三部分信息。

 我们再preview中可以看到数据包中的['data']['datas']刚好有这页的10个案件信息，我们对这个信息中抽取我们需要的信息再保存再本地就行。

 我们此时监听的是：蒋某华猥亵儿童案，虽然也可以用，但是我们一般选择监听请求头的信息，一般是“？”前面的https(如果有的话)，复制一下，检索一下看一下是不是唯一值。

2.3.3.2 html元素定位xpath得到html元素，得到数据

DrissionPage非常好的功能是通过xpath语法定位到html元素，就可以使用元素.text 、元素.html等获得相关数据，定位元素过程，F12打开开发者工具，最左边的定位标识符选择你想定位的网页元素，比如我定位的是下一页的按钮元素，得到位置后，右键选择copy,XPath，然后按ctrl+f进行搜索模式，就可以看到你的这个XPath语法定位的元素再当前标签页中有几个了。

2..3.4 爬取全部信息

我们平时怎么操作浏览器，就怎么写代码。

思路： 打开浏览器，新建标签页，搜索目标url，通过监听唯一的标识符：“https://rmfyalk.court.gov.cn/cpws_al_api/api/cpwsAl/search”得到当前页面的10个案件的数据包，对数据包列表的每个数据进行抽取我们需要的信息，再保存到csv表格中。下滑，点击下一页，重复上述操作。

from DrissionPage import Chromium

from pprint import pprint

import csv

# 打来浏览器

tab = Chromium().latest_tab

# 监听数据包

tab.listen.start("https://rmfyalk.court.gov.cn/cpws_al_api/api/cpwsAl/search")

# 访问页面

url = "https://rmfyalk.court.gov.cn/view/list.html?key=case_sort_id_cpwsAl&keyName=%25E6%25A1%2588%25E4%25BB%25B6%25E7%25B1%25BB%25E5%259E%258B&value=05&valueName=%25E6%2589%25A7%25E8%25A1%258C&isAdvSearch=2"

tab.get(url)

f = open(r'E:\gdzd_hb\pachoong\zhixing.csv', 'w', encoding='utf-8', newline='')

# 字典写入方法

csv_writer = csv.DictWriter(f, fieldnames=['案件名称', '案件标签', '裁判要旨'])

# 写入表头

csv_writer.writeheader()

for page in range(1, 208):

    print(f'正在爬取第{page}页')

    # 等待数据包加载

    resp = tab.listen.wait()

    # 获取响应数据-->json

    json_data = resp.response.body

    # # 打印数据

    # print(json_data)

    # print(type(json_data))

    # 遍历jobInfo列表

    jobList = json_data['data']['datas']

    for job in jobList:

        pprint(job) # 打印字典格式

        break # 打印一个结束

    # 抽取需要的数据

    for job in jobList:

        dit = {

            '案件名称': job['cpws_al_title'],

            '案件标签': job['cpws_al_infos'],

            '裁判要旨': job['cpws_al_cpyz']

        }

        pprint(dit)

        # 字典写入数据

        csv_writer.writerow(dit)

    # 下滑到最底部

    tab.scroll.to_bottom()

    # 点击下一页

    tab.ele('css:.page-next').click()

三、问题和小结 

进阶需求：爬取每个案件的对应的详细PDF信息。

方法一：通过点击每个案件，进去后再点击下载PDF的案件到指定文件夹中实现。

存在问题：网站做了限制，每个账号下载了20个左右的PDF，就会显示下面的报错，就算是人工手动下载PDF文件也是一样的。

方法二：通过获取每个案件的详情url地址，使用元素来获取相关信息，用字典保存，再保存到csv文件中。

存在的问题：网站做了限制，我们一个账号连续访问40个左右的案件详情网页后，就会显示空的网页，从而无法获得html元素。

 这两个问题我暂时没有解决办法，因为DrissionPage已经是模拟人的行为进行抓包了，但是网站对每个账号进行了限制。