目的:使用selenium + chrome爬取中国大学Mooc网计算机学科的所有的课程链接列表
思路:找到每个分页的节点属性为class=”m-course-list” 的div元素,再找到该元素下面的类属性为class = “u-clist f-bg f-cb f-pr j-href ga-click”的div元素的属性data-href的值,使用xpath获取。
难点:在网页源码里面,是看不到相关的课程链接信息,点击分页,发现地址栏的url一直都在变,但改变url的某个值,发现没什么作用,抓包发现是异步加载,所以就采用selenium + chrome浏览器获取,但可以第一个分页的所有课程链接,而要获取点击下一页后的网页源码,还要借助unitest来解决,通过别的方法获取源码过于麻烦。
完整代码如下:
# -*- coding:utf-8 -*-
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import unittest
import time
from lxml import etree
class douyuSelenium(unittest.TestCase):
'''
利用unittest模块的测试类来解决获取下一页的网页源码问题。
正常情况,当点击下一页后,获取当前页的网页源码比较麻烦,而使用测试类的方法则可以很容易解决
'''
def setUp(self):
'''
初始化方法(固定写法)
'''
# 创建谷歌浏览器对象。
self.driver = webdriver.Chrome()
# 统计链接个数
self.num = 0
self.num2 = 1
# 保存链接列表
self.link_list = []
# 请求网页,如果该行代码放在testMooc方法,会导致抓取的数据有重复,而且漏抓
self.driver.get('https://www.icourse163.org/category/computer')
def testMooc(self):
'''
具体的测试用例方法(方法名开头固定以test开头)
'''
while True:
# 让网页完全加载,避免网页没加载完导致获取的数据丢失
time.sleep(3)
# 获取网页源码
html = self.driver.page_source
# 把源码解析为html dom文档
content = etree.HTML(html)
# 使用xpath去匹配所有的课程链接
course_list = content.xpath('//div[@class="m-course-list"]//div[@class="u-clist f-bg f-cb f-pr j-href ga-click"]/@data-href')
for item in course_list:
# 拼接获取完整的课程链接
link = 'https://www.icourse163.org' + item
# 添加课程链接到保存的链接列表
self.link_list.append(link)
# 退出循环条件,从网页源码里面没找到某个类名,则返回为-1,进而作为当点击下一页时,如果没法点击时,则此时的返回值不为-1
if (html.find('ux-pager_btn ux-pager_btn__next z-dis')) != -1:
break
# 模拟浏览器手动点击下一页
self.driver.find_element_by_xpath('//li[@class="ux-pager_btn ux-pager_btn__next"]/a').click()
# 输出课程链接及统计个数
for each in self.link_list:
if(self.num % 20 == 0):
self.num2
print('
' + '='*30 + '第' + str(self.num2) + '页课程链接列表' + '='*30 + '
')
self.num2 += 1
self.num += 1
print(each)
# 输出该学科的所有课程链接的个数
print self.num,len(self.link_list)
def tearDown(self):
''' 退出方法(固定写法)'''
self.driver.quit()
if __name__ == '__main__':
unittest.main()
代码图片如下:
测试结果如下: