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
importorg.junit.AfterClass;
importorg.junit.BeforeClass;
importorg.junit.Test;
importorg.openqa.selenium.By;
importorg.openqa.selenium.WebDriver;
importorg.openqa.selenium.chrome.ChromeDriver;
importjava.awt.*;
importjava.awt.event.KeyEvent;
importjava.util.concurrent.TimeUnit;
/**
*@authorrongrong
*Selenium模拟访问网站爬虫操作代码示例
*/
publicclassDemo{
privatestaticWebDriverdriver;
staticfinalintMAX_TIMEOUT_IN_SECONDS=5;
@BeforeClass
publicstaticvoidsetUpBeforeClass()throwsException{
driver=newChromeDriver();
Stringurl="https://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
publicstaticvoidtearDownAfterClass()throwsException{
if(driver!=null){
System.out.println("运行结束！");
driver.quit();
}
}
@Test
publicvoidtest()throwsInterruptedException{
Robotrobot=null;
try{
robot=newRobot();
}catch(AWTExceptione1){
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("https://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，谢谢大家对毛票票的支持。