上海网站建设框架图志鸿优化网

selenium学习实战【Python爬虫】

一、声明

本爬虫项目仅用于学习用途。严禁将本项目用于任何非法目的，包括但不限于恶意攻击网站、窃取用户隐私数据、破坏网站正常运营、商业侵权等行为。

二、学习目标

1.爬取网站链接：https://report.iresearch.cn；
2.爬取不付费的报告信息，标题、行业、作者、摘要和报告原件；

三、安装依赖

3.1 安装selenium库

只介绍主要的，别的库百度自行安装。
打开vscode终端，运行下面命令：

pip install -i https://pypi.douban.com/simple selenium

3.2 安装浏览器驱动

针对不同的浏览器，需要安装不同的驱动。下面列举了常见的浏览器与对应的驱动程序下载链接，部分网址需要 “科学上网” 才能打开哦（dddd）。

Firefox 浏览器驱动：https://github.com/mozilla/geckodriver/releases
Chrome 浏览器驱动：https://chromedriver.storage.googleapis.com/index.html
IE 浏览器驱动：http://selenium-release.storage.googleapis.com/index.html
Edge 浏览器驱动：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/
PhantomJS 浏览器驱动：https://phantomjs.org/
Opera 浏览器驱动：https://github.com/operasoftware/operachromiumdriver/releases

我用的时Edge浏览器，所以安装Edge驱动

3.2.1 查看Edge版本

点击三个点，再点击设置

点击左侧最下面关于Edge

3.2.2 驱动安装

下载好双击安装就行。

四、代码讲解

4.1 配置浏览器

# 创建 EdgeOptions 对象，用于配置浏览器选项
edge_options = Options()
# 添加参数忽略证书错误
edge_options.add_argument('--ignore-certificate-errors')
# 添加参数禁用扩展
edge_options.add_argument('--disable-extensions')
# 添加参数禁用沙盒模式
edge_options.add_argument('--no-sandbox')
# 添加参数禁用 GPU 加速
edge_options.add_argument('--disable-gpu')# 创建 Edge 浏览器驱动实例
driver = webdriver.Edge(options=edge_options)

4.2 加载更多

打开艾瑞网的报告页面，我们会发现加载更多这个按钮，我们可以用代码点击按钮加载，直到自己需要的数量，我这里设置加载10次

鼠标右键点击页面–>点击检查，加载更多按钮定义在这里

# 打开指定 URL 的网页
driver.get(url)try:# 用于保存找到的元素信息found_elements_info = []found_links = []wait = WebDriverWait(driver, 10)# 1. 点击"加载更多"按钮10次load_count = 0while load_count < 10:try:# 定位"加载更多"按钮load_more_btn = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, 'button#loadbtn')  # 根据实际页面调整选择器))# 点击按钮load_more_btn.click()load_count += 1print(f"已点击加载更多 {load_count}/10 次")# 等待新内容加载（根据页面加载速度调整）time.sleep(2)except Exception as e:print(f"点击加载更多失败: {e}")break# 2. 等待所有内容加载完成print("等待内容加载完成...")time.sleep(3)  # 额外等待确保所有内容加载完成

4.3 寻找内容

4.4 完整代码

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.edge.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time# 创建 EdgeOptions 对象，用于配置浏览器选项
edge_options = Options()
# 添加参数忽略证书错误
edge_options.add_argument('--ignore-certificate-errors')
# 添加参数禁用扩展
edge_options.add_argument('--disable-extensions')
# 添加参数禁用沙盒模式
edge_options.add_argument('--no-sandbox')
# 添加参数禁用 GPU 加速
edge_options.add_argument('--disable-gpu')# 创建 Edge 浏览器驱动实例
driver = webdriver.Edge(options=edge_options)url = 'https://report.iresearch.cn/'# 打开指定 URL 的网页
driver.get(url)try:# 用于保存找到的元素信息found_elements_info = []found_links = []wait = WebDriverWait(driver, 10)# 1. 点击"加载更多"按钮10次load_count = 0while load_count < 10:try:# 定位"加载更多"按钮load_more_btn = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, 'button#loadbtn')  # 根据实际页面调整选择器))# 点击按钮load_more_btn.click()load_count += 1print(f"已点击加载更多 {load_count}/10 次")# 等待新内容加载（根据页面加载速度调整）time.sleep(2)except Exception as e:print(f"点击加载更多失败: {e}")break# 2. 等待所有内容加载完成print("等待内容加载完成...")time.sleep(3)  # 额外等待确保所有内容加载完成# 3. 遍历所有找到的元素（包括初始加载和点击加载的）elements = driver.find_elements(By.CSS_SELECTOR, 'li[id^="freport."]')print(f"共找到 {len(elements)} 个元素")if elements:for elem in elements:element_text = elem.text# 提取链接（处理可能的异常）try:a_element = elem.find_element(By.CSS_SELECTOR, 'a')element_link = a_element.get_attribute('href')found_links.append(element_link)except:element_link = "未找到链接"# 保存信息found_elements_info.append(f"文本内容: {element_text}, 链接: {element_link}")print("找到元素：", element_text[:30] + "...")  # 只打印前30个字符避免刷屏# 4. 将找到的元素信息保存到文件with open('found_elements.txt', 'w', encoding='utf-8') as f:for info in found_elements_info:f.write(info + '\n')print("已将找到的元素信息保存到 found_elements.txt")# 5. 将找到的链接信息保存到文件with open('found_links.txt', 'w', encoding='utf-8') as f:for link in found_links:f.write(link + '\n')print("已将找到的链接信息保存到 found_links.txt")else:print("未找到符合条件的元素。")except Exception as e:print("定位元素失败：", e)# 获取页面源代码，用于调试page_source = driver.page_sourcewith open('page_source.html', 'w', encoding='utf-8') as f:f.write(page_source)print("已将页面源代码保存到 page_source.html，请查看分析")
finally:# 确保浏览器最终会被关闭time.sleep(2)  # 可根据需要调整等待时间，方便观察页面driver.quit()

五、缺陷和不足

目前不能爬取报告原文，不能区分收费付费，后续持续更新