vlambda博客
学习文章列表

其中的过程适用于静态网页（豆瓣电影信息、哔哩哔哩评论区等）、动态页面（百度图片滚轮触发页面更新、下拉框触发页面更新等url不变但通过鼠标互动，致使信息更新等场景）的信息爬取。

1        Selenium安装

（1）pip install selenium

（2）以edge为例，安装驱动。url：https://developer.microsoft.com/en-us/microsoft-edge/tools/webdriver/

（3）Selenium的网页信息定位主要使用xpath表达式，需要对其有所了解，利用edge中的扩展，可以极大的简化定位过程，但是不能取代个人工作，还是要对xpath有所了解，扩展如图1。

2        案例：以经合组织（OECD）为例，如图1

url: https://stats.oecd.org/Index.aspx?DataSetCode=CS_BAROMETER#

最终结果：

原页面数据：

爬取到的数据（简洁起见，以international trade index为例，但是爬取的各个过程均有涉及，其他指标、数据以及网页只要做简单推广即可，这个流程基本可以实现所有网页信息的爬取）：

3        流程

（1）需要的python库；

（2）获取初始网页；

（3）展开指标栏，并选取international trade index；

（4）将时间定位到2021年，其余时间不要；

（5）获取表头：年月/国家信息；

（6）获取指标信息；

Notice：

1.注意隐藏数据。利用xpth定位源代码时，明明没有任何问题，但python报错，显示无此元素，此时应注意是否是隐藏元素，查看是否在iframe内，上述代码中对这一问题做了处理；

2.注意每个网页的刷新时间，需根据时间设置time.sleep或者WebDriverWait；