利用selenium爬虫抓取数据的基础教程


						写在前面



本来这篇文章该几个月前写的，后来忙着忙着就给忘记了。



ps:事多有时候反倒会耽误事。



几个月前，记得群里一朋友说想用selenium去爬数据，关于爬数据，一般是模拟访问某些固定网站，将自己关注的信息进行爬取，然后再将爬出的数据进行处理。



他的需求是将文章直接导入到富文本编辑器去发布，其实这也是爬虫中的一种。



其实这也并不难，就是UI自动化的过程，下面让我们开始吧。

准备工具/原料



1、java语言



2、IDEA开发工具



3、jdk1.8



4、selenium-server-standalone（3.0以上版本）

步骤



1、分解需求：



需求重点主要是要保证原文格式样式都保留：



将要爬取文章,全选并复制



将复制后的文本，粘贴到富文本编辑器中即可



2、代码实现思路：



键盘事件模拟CTRL+A全选



键盘事件模拟CTRL+C复制



键盘事件模拟CTRL+V粘贴



3、实例代码







import org.junit.AfterClass;

import org.junit.BeforeClass;

import org.junit.Test;

import org.openqa.selenium.By;

import org.openqa.selenium.WebDriver;

import org.openqa.selenium.chrome.ChromeDriver;



import java.awt.*;

import java.awt.event.KeyEvent;

import java.util.concurrent.TimeUnit;



/**

 * @author rongrong

 * Selenium模拟访问网站爬虫操作代码示例

 */

public class Demo {

 private static WebDriver driver;

 static final int MAX_TIMEOUT_IN_SECONDS = 5;



 @BeforeClass

 public static void setUpBeforeClass() throws Exception {

  driver = new ChromeDriver();

  String url = "http://temai.snssdk.com/article/feed/index?id=6675245569071383053&subscribe=5501679303&source_type=28&content_type=1&create_user_id=34013&adid=__AID__&tt_group_id=6675245569071383053";

  driver.manage().window().maximize();

  driver.manage().timeouts().implicitlyWait(MAX_TIMEOUT_IN_SECONDS, TimeUnit.SECONDS);

  driver.get(url);

 }



 @AfterClass

 public static void tearDownAfterClass() throws Exception {

  if (driver != null) {

   System.out.println("运行结束！");

   driver.quit();

  }

 }



 @Test

 public void test() throws InterruptedException {

  Robot robot = null;

  try {

   robot = new Robot();

  } catch (AWTException e1) {

   e1.printStackTrace();

  }

  robot.keyPress(KeyEvent.VK_CONTROL);

  robot.keyPress(KeyEvent.VK_A);

  robot.keyRelease(KeyEvent.VK_A);

  Thread.sleep(2000);

  robot.keyPress(KeyEvent.VK_C);

  robot.keyRelease(KeyEvent.VK_C);

  robot.keyRelease(KeyEvent.VK_CONTROL);

  driver.get("http://ueditor.baidu.com/website/onlinedemo.html");

  Thread.sleep(2000);

  driver.switchTo().frame(0);

  driver.findElement(By.tagName("body")).click();

  robot.keyPress(KeyEvent.VK_CONTROL);

  robot.keyPress(KeyEvent.VK_V);

  robot.keyRelease(KeyEvent.VK_V);

  robot.keyRelease(KeyEvent.VK_CONTROL);

  Thread.sleep(2000);

 }

}



写在后面



笔者并不是特别建议使用selenium做爬虫，原因如下：

速度慢:



每次运行爬虫都要打开一个浏览器，初始化还需要加载图片、JS渲染等等一大堆东西；

占用资源太多:



有人说，把换成无头浏览器，原理都是一样的，都是打开浏览器，而且很多网站会验证参数，如果对方看到你恶意请求访问，会办了你的请求，然后你又要考虑更换请求头的事情，事情复杂程度不知道多了多少，还得去改代码，麻烦死了。

对网络的要求会更高:



加载了很多可能对您没有价值的补充文件（如css，js和图像文件）。 与真正需要的资源（使用单独的HTTP请求）相比，这可能会产生更多的流量。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对中文源码网的支持。