基於Python及webdriver的網頁抓取案例

上次有朋友問怎麼抓取交易所網站的數據，特別是歷史數據，這裏特別推薦使用selenium這一自動化測試框架。

本來selenium是用來完成大量基於瀏覽器的自動化測試的，但因爲能夠方便地執行JS代碼，摸擬用戶點擊和操做，

所以能夠與PYTHON結合實現一些稍微複雜一點的網頁抓取操做。

下面就以抓取交易所網站的統計數據爲例，說明二者結合的一些用法。

跟普通的抓取操做相比，稍微複雜一點的地方在於：

1）以下圖所示，默認抓取上交所網頁數據只能取到最近一個工做日的統計數據，若是想取過去的數據，只能人工點擊日曆控件完成日期選擇，不能輸入，所以必須：

a)去掉日期元素的只讀屬性

b)清空原有日期值，設置想讀取的日期值

c)因爲頁面有延遲加載的狀況，所以必須在合適的點設定必定的等待時間

#encoding:utf8

"""

@author:xuyuming

@contact:283548048@qq.com

@time:2016/8/8 22:47

"""

fromseleniumimportwebdriver

importtime

###############################取深交所相關統計數據#################################################

driver=webdriver.Chrome()

driver.get("http://www.szse.cn/main/marketdata/tjsj/jyjg/")

#抓取上交所交易日曆數據

driver.find_element_by_name("txtDate").clear()

#設置統計數據的數據日期

driver.find_element_by_name("txtDate").send_keys("2016-08-05")

#點擊查詢按鈕

driver.find_element_by_id("1804_tab1_btn").click()

time.sleep(1)

#股票總成交金額 ，從CHROME自帶的「檢查」功能獲取XPATH路徑爲  //*[@id="REPORTID_tab1"]/tbody/tr[2]/td[3]

total_tradeamt=driver.find_element_by_xpath("//*[@id='REPORTID_tab1']/tbody/tr[2]/td[3]").text

#股票總流通市值 //*[@id="REPORTID_tab1"]/tbody/tr[2]/td[8]

negotiableValue=driver.find_element_by_xpath('//*[@id="REPORTID_tab1"]/tbody/tr[2]/td[8]').text

#b股總成交金額

tradeamtB=driver.find_element_by_xpath('//*[@id="REPORTID_tab1"]/tbody/tr[4]/td[3]').text

#b股總流通市值

negotiableValueB=driver.find_element_by_xpath('//*[@id="REPORTID_tab1"]/tbody/tr[4]/td[8]').text

driver.quit()

# 深市A股總流通市值爲深市總市值減去深市B股總市值

negotiableValueA_sz=int(negotiableValue.replace(',',''))-int(negotiableValueB.replace(',',''))

# 深市A股總成交額爲深市總成交額減去深市B股總成交額

tradeamtA_sz=int(total_tradeamt.replace(',',''))-int(tradeamtB.replace(',',''))

#打印A股流通市值和成交金額

printnegotiableValueA_sz,tradeamtA_sz

##################################取上交所相關統計數據###############################################

#remove readonly attribute

driver=webdriver.Chrome()

driver.get("http://www.sse.com.cn/market/stockdata/overview/day/")

#等待一秒鐘，確保頁面加載完畢，以便於後續修改DOM元素只讀屬性後不會被頁面延遲加載後覆蓋

time.sleep(1)

#去掉元素的只讀屬性

driver.execute_script("var setDate=document.getElementById('start_date2');setDate.removeAttribute('readonly');")

#定位到日期控件

setDatElement=driver.find_element_by_xpath("//input[@id='start_date2']")

#清除內容

setDatElement.clear()

#從新填上指定的值

setDatElement.send_keys("2016-08-05")

#點擊「查詢」按鈕

driver.find_element_by_id("btnQuery").click()

time.sleep(1)

negotiableValueA_sh=driver.find_element_by_xpath('//*[@id="tableData_934"]/div[2]/table/tbody/tr[3]/td[3]/div').text

#取最新的滬市A股成交金額 //*[@id="tableData_934"]/div[2]/table/tbody/tr[5]/td[3]/div

trdAmtA_sh=driver.find_element_by_xpath('//*[@id="tableData_934"]/div[2]/table/tbody/tr[5]/td[3]/div').text

#取最新的滬市A股平均市盈率

profitRateA_sh=driver.find_element_by_xpath('//*[@id="tableData_934"]/div[2]/table/tbody/tr[7]/td[3]/div').text

#打印滬市成交金額 ，流通市值以及總體市盈率

printnegotiableValueA_sh,trdAmtA_sh,profitRateA_sh

driver.quit()