爬网页数据

一、背景与目标

  • 爬国外一个竞猜网站,世界杯的 的竞猜数据。

二、实现

1. 翻墙工具是扩展程序 Ghelper

  • 因为翻墙工具 是扩容程序
    • 扩展程序要输出账号密码
      • user-data-dir 参数制定用现有的账号密码

1.1 google 浏览器

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions
import time

# 创建浏览器对象

# driver = webdriver.Chrome()

from selenium import webdriver
import time

# 启动浏览器
# url = 'https://www.toutiao.com'

url = 'https://sports.ladbrokes.com/competitions/football/english/premier-league'

chrome_options = webdriver.ChromeOptions()

# 设置好应用扩展
extension_path = 'C:/Users/lizhi/Downloads/Ghelper-v2.6.2/Ghelper-v2.6.2.crx'
chrome_options.add_extension(extension_path)
#
chrome_options.add_argument('--headless')
# chrome_options.add_argument('--no-sandbox')
# chrome_options.add_argument('--disable-dev-shm-usage')

chrome_options.add_argument(r'user-data-dir=C:\Users\lizhi\AppData\Local\Google\Chrome\User Data')
# chrome_options.add_experimental_option('useAutomationExtension', False)
# chrome_options.add_argument(r'user-data-dir=C:\Users\lenovo\AppData\Local\Google\Chrome\User Data')



driver = webdriver.Chrome(r'C:\Program Files\Google\Chrome\Application\chromedriver.exe',chrome_options=chrome_options)

# driver = webdriver.Chrome("chromedriver.exe")



driver.get(url)
driver.implicitly_wait(10)
driver.maximize_window()  # 最大化窗口
driver.implicitly_wait(10)
driver.find_element_by_link_text('热点').click()  # 点击热点
driver.implicitly_wait(10)

title_list = []


def scoll():  # 滚动页面
    # driver.execute_script("window.scrollTo(0,1000);")
    # time.sleep(1)
    name = driver.find_elements_by_class_name("container-inner-content")
    print(name)


# 运行scoll函数
scoll()
print(title_list)  # 输出结果

1.2 google 不行我换火狐浏览器

  • 不行,我翻墙工具是 google插件

1.3 换 Microsoft Edge 浏览器

  • Microsoft Edge 能直接使用 google 的扩展程序,翻墙没问题
  • 无界面浏览模式与自定义插件加载问题 ie 也有
# 创建浏览器对象

# driver = webdriver.Chrome()

from msedge.selenium_tools.service import Service
from selenium import webdriver
# from msedge.selenium_tools import Edge, EdgeOptions

from selenium.webdriver.edge.options import Options

# 启动浏览器
# url = 'https://www.toutiao.com'

url = 'https://sports.ladbrokes.com/competitions/football/english/premier-league'


from selenium.webdriver.edge.options import Options

options = Options()
 # options.add_argument("headless")
options.add_argument('headless')
options.add_argument('no-sandbox')
options.add_argument('disable-dev-shm-usage')
# options = EdgeOptions()
# options.use_chromium = True
# options.add_argument("headless")

# 设置好应用扩展
extension_path = 'C:/Users/lizhi/Downloads/Ghelper-v2.6.2/Ghelper-v2.6.2.crx'
options.add_extension(extension_path)
options.add_argument(r'user-data-dir=C:\Users\lizhi\AppData\Local\Microsoft\Edge\User Data')


# from selenium.webdriver.edge.service import Service
service = Service(r'C:\Users\lizhi\Downloads\edgedriver_win64\msedgedriver.exe', verbose=True)

driver = webdriver.Edge(service=service, options=options)


# driver = webdriver.Chrome("chromedriver.exe")



driver.get(url)
driver.implicitly_wait(10)
driver.maximize_window()  # 最大化窗口
driver.implicitly_wait(10)
driver.find_element_by_link_text('热点').click()  # 点击热点
driver.implicitly_wait(10)

title_list = []


def scoll():  # 滚动页面
    # driver.execute_script("window.scrollTo(0,1000);")
    # time.sleep(1)
    name = driver.find_elements_by_class_name("container-inner-content")
    print(name)


# 运行scoll函数
scoll()
print(title_list)  # 输出结果

2. 翻墙工具 用VPN程序

2.1 代码

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions
import time

# 创建浏览器对象

from selenium import webdriver
import time

# 启动浏览器
# url = 'https://www.toutiao.com'

url = 'https://sports.ladbrokes.com/competitions/football/english/premier-league'

chrome_options = webdriver.ChromeOptions()

# 设置好应用扩展
# extension_path = 'C:/Users/lizhi/Downloads/Ghelper-v2.6.2/Ghelper-v2.6.2.crx'
# chrome_options.add_extension(extension_path)
#
# chrome_options.add_argument('--headless')
# chrome_options.add_argument('--no-sandbox')
# chrome_options.add_argument('--disable-dev-shm-usage')
#
# chrome_options.add_argument(r'user-data-dir=C:\Users\lizhi\AppData\Local\Google\Chrome\User Data')
# chrome_options.add_experimental_option('useAutomationExtension', False)
# chrome_options.add_argument(r'user-data-dir=C:\Users\lenovo\AppData\Local\Google\Chrome\User Data')


service = Service(r'C:\Users\lizhi\Downloads\chromedriver_win32 (1)\chromedriver.exe')

driver = webdriver.Chrome(service=service)

# driver = webdriver.Chrome("chromedriver.exe")



driver.get(url)
driver.implicitly_wait(10)
driver.maximize_window()  # 最大化窗口
driver.implicitly_wait(10)
# # driver.find_element_by_link_text('热点').click()  # 点击热点
# driver.implicitly_wait(10)

title_list = []


def scoll():  # 滚动页面 class="sport-card"
    driver.execute_script("window.scrollTo(0,1000);")
    time.sleep(1)
    from selenium.webdriver.common.by import By
    names = driver.find_elements(by=By.CLASS_NAME, value="container-inner-content")
    for name in names:
        month = name.find_element(by=By.CLASS_NAME, value="odds-left").find_element(by=By.TAG_NAME,value="span").get_attribute("innerText")
        elements = name.find_elements(by=By.TAG_NAME, value="odds-card-sport")
        print(f'爬取日期={month}')
        for element in elements:
            header_element = element.find_element(by=By.CLASS_NAME,value="sport-card-header")
            data_time = header_element.find_element(by=By.CLASS_NAME,value="sport-card-left").find_element(by=By.TAG_NAME,value="span").get_attribute("innerText")
            data_score = header_element.find_element(by=By.CLASS_NAME, value="sport-card-right").find_element(
                by=By.TAG_NAME, value="a").get_attribute("innerHTML")

            team_elements = element.find_element(by=By.CLASS_NAME,value="sport-card-content").find_element(by=By.CLASS_NAME, value="sport-card-left").find_elements(
                by=By.TAG_NAME, value="a")

            team1 = team_elements[0].get_attribute("innerHTML")
            team2 = team_elements[0].get_attribute("innerHTML")
            print(f'比赛日期={data_time},data_score={data_score},teamA={team1},teamB={team2}')




# 运行scoll函数
scoll()

2.2 输出

image.png
爬取日期=5 Nov
比赛日期=23:00 05 Nov,data_score=153 MORE,teamA=Leeds,teamB=Leeds
比赛日期=23:00 05 Nov,data_score=153 MORE,teamA=Man City,teamB=Man City
比赛日期=23:00 05 Nov,data_score=153 MORE,teamA=Nottm Forest,teamB=Nottm Forest
比赛日期=23:00 05 Nov,data_score=153 MORE,teamA=Wolves,teamB=Wolves
爬取日期=6 Nov
比赛日期=01:30 06 Nov,data_score=153 MORE,teamA=Everton,teamB=Everton
比赛日期=20:00 06 Nov,data_score=153 MORE,teamA=Chelsea,teamB=Chelsea
比赛日期=22:00 06 Nov,data_score=153 MORE,teamA=Aston Villa,teamB=Aston Villa
比赛日期=22:00 06 Nov,data_score=153 MORE,teamA=Southampton,teamB=Southampton
比赛日期=22:00 06 Nov,data_score=153 MORE,teamA=West Ham,teamB=West Ham
爬取日期=7 Nov
比赛日期=00:30 07 Nov,data_score=153 MORE,teamA=Tottenham,teamB=Tottenham
爬取日期=12 Nov
比赛日期=20:30 12 Nov,data_score=153 MORE,teamA=Man City,teamB=Man City
比赛日期=23:00 12 Nov,data_score=153 MORE,teamA=Bournemouth,teamB=Bournemouth
比赛日期=23:00 12 Nov,data_score=153 MORE,teamA=Liverpool,teamB=Liverpool
比赛日期=23:00 12 Nov,data_score=152 MORE,teamA=Nottm Forest,teamB=Nottm Forest
比赛日期=23:00 12 Nov,data_score=153 MORE,teamA=Tottenham,teamB=Tottenham
比赛日期=23:00 12 Nov,data_score=152 MORE,teamA=West Ham,teamB=West Ham
爬取日期=13 Nov
比赛日期=01:30 13 Nov,data_score=153 MORE,teamA=Newcastle,teamB=Newcastle
比赛日期=03:45 13 Nov,data_score=153 MORE,teamA=Wolves,teamB=Wolves
比赛日期=22:00 13 Nov,data_score=153 MORE,teamA=Brighton,teamB=Brighton
爬取日期=14 Nov
比赛日期=00:30 14 Nov,data_score=153 MORE,teamA=Fulham,teamB=Fulham
  • 界面上能看到数据,就能爬到,所见即可得。
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 160,026评论 4 364
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,655评论 1 296
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,726评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,204评论 0 213
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,558评论 3 287
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,731评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,944评论 2 314
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,698评论 0 203
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,438评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,633评论 2 247
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,125评论 1 260
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,444评论 3 255
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,137评论 3 238
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,103评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,888评论 0 197
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,772评论 2 276
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,669评论 2 271

推荐阅读更多精彩内容