寫在前面

今天，咱抓取一個網站，這個網站呢，涉及的內容就是 網友留言和回覆，特別簡單，但是網站是gov的。網址為 http://www.sjz.gov.cn/col/1490066682000/index.html

首先宣告，為了學習，絕無惡意抓取資訊，不管你信不信，資料我沒有長期儲存，預計儲存到重灌作業系統就刪除。

網頁分析

點選更多回復 ，可以檢視到相應的資料。

資料量很大14萬條,，資料爬完，還可以用來學習資料分析，真是nice

經過分析之後，找到了列表頁面。 資料的爬取這次我們採用的是 selenium ，解析頁面採用lxml，資料儲存採用pymongo ，關於selenium 你可以去搜索引擎搜尋相關的教程，好多的，主要就是開啟一個瀏覽器，然後模擬使用者的操作，你可以去系統的學習一下。

擼程式碼

匯入必備模組

from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

from lxml import etree
import pymongo
import
 
 time

開啟瀏覽器，獲取總頁碼

這個操作最重要的步驟，你搜索之後就會知道，需要提前下載一個叫做 chromedriver.exe 的東東，然後把他配置好，自行解決去吧~

# 載入瀏覽器引擎，需要提前下載好 chromedriver.exe 。
browser = webdriver.Chrome()
wait = WebDriverWait(browser,10)

def get_totle_page():
    try:
    	# 瀏覽器跳轉
        browser.get("http://www.sjz.gov.cn/zfxxinfolist.jsp?current=1&wid=1&cid=1259811582187"
 
)
        # 等待元素載入到
        totle_page = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR,'input[type="hidden"]:nth-child(4)'))
        )
		# 獲取屬性
        totle = totle_page.get_attribute('value')
        # 獲取首頁資料，這個地方先不必須
        ##############################
        #get_content()
        ##############################

        return totle
    except TimeoutError:
        return get_totle_page()

上面的程式碼在測試之後，你會得到如下結果

這時候，你已經得到20565這個總頁碼數目了，只需要進行一系列迴圈的操作即可，接下來有一個重要的函式，叫做next_page 這個函式裡面，需要進行一個模擬使用者行為的操作，輸入一個頁碼，然後點選跳轉。

def main():
    totle = int(get_totle_page()) # 獲取完整頁碼
    for i in range(2,totle+1):
        print("正在載入第{}頁資料".format(i))
        # 獲取下一頁
        next_page(i)

if __name__ == '__main__':
    print(main())

輸入頁碼，點選跳轉

def next_page(page_num):
    try:
        input = wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR,"#pageto"))
        )
        submit = wait.until(
            EC.element_to_be_clickable((By.CSS_SELECTOR,"#goPage"))
        )
        input.clear() # 清空文字框
        input.send_keys(page_num)  # 傳送頁碼
        submit.click()  # 點選跳轉
        #get_content(page_num)

    except TimeoutException:
        next_page(page_num)

以上程式碼實現的效果動態演示為

解析頁面

可以進行翻頁之後，通過browser.page_source 獲取網頁原始碼，網頁原始碼通過lxml進行解析。編寫相應的方法為

def get_content(page_num=None):
    try:
        wait.until(
            EC.presence_of_element_located((By.CSS_SELECTOR, "table.tably"))
        )
        html = browser.page_source   # 獲取網頁原始碼

        tree = etree.HTML(html)  # 解析

        tables = tree.xpath("//table[@class='tably']")

        for table in tables:

            name = table.xpath("tbody/tr[1]/td[1]/table/tbody/tr[1]/td")[0].text
            public_time = table.xpath("tbody/tr[1]/td[1]/table/tbody/tr[2]/td")[0].text
            to_people = table.xpath("tbody/tr[1]/td[1]/table/tbody/tr[3]/td")[0].text

            content = table.xpath("tbody/tr[1]/td[2]/table/tbody/tr[1]/td")[0].text

            repl_time  =  table.xpath("tbody/tr[2]/td[1]/table/tbody/tr[1]/td")[0].text
            repl_depart = table.xpath("tbody/tr[2]/td[1]/table/tbody/tr[2]/td")[0].text

            repl_content = table.xpath("tbody/tr[2]/td[2]/table/tbody/tr[1]/td")[0].text
            # 清理資料
            consult = {
                "name":name.replace("網友：",""),
                "public_time":public_time.replace("時間：",""),
                "to_people":to_people.replace("留言物件：",""),
                "content":content,
                "repl_time":repl_time.replace("時間：",""),
                "repl_depart":repl_depart.replace("回覆部門：",""),
                "repl_content":repl_content
            }
            # 資料儲存到mongo裡面
            #save_mongo(consult)
    except Exception:  # 這個地方需要特殊說明一下
        print("異常錯誤X1")
        print("瀏覽器休息一下")
        time.sleep(60)
        browser.get("http://www.sjz.gov.cn/zfxxinfolist.jsp?current={}&wid=1&cid=1259811582187".format(page_num))
        get_content()

在實際的爬取過程中發現，經過幾百頁之後，就會限制一下IP，所以當我們捕獲頁面資訊出錯，需要暫停一下，等待頁面正常之後，在繼續爬取資料。

資料儲存到mongodb裡面

爬取到的最終資料，我儲存到了mongodb裡面，這個就沒有什麼難度了，我們按照常規的套路編寫即可。

寫在最後

由於這次爬取的網站是gov的，所以建議不要用多執行緒，原始碼也不傳送到github上去了，要不惹禍，如果有任何疑問，請評論。nice boy