Python爬虫(selenium)从网站获取信息并存入数据库(mysql)_业界新闻

发布时间:2024-07-13 19:28

阅读量:1

简介： 在本篇博客中，我们将介绍如何使用Python编写一个简单的网络爬虫，从指定网站上获取图书信息，并将这些信息存入数据库。这个项目涉及到Python编程、selenium爬虫技术以及数据库操作等内容，适合对这些领域感兴趣的初学者。

1. 什么是网络爬虫？ 网络爬虫（也称为网络蜘蛛、网络机器人）是一种自动获取网页内容的程序，它模拟人的行为去各个网站抓取数据或返回数据。通过网络爬虫技术，我们可以从互联网中获取丰富的数据，为后续的数据分析和处理提供支持。

2. 项目概述： 本次项目爬取的是一个图书网站：scrape book，我们的项目包括四个主要部分：

CONN.py：连接数据库模块，负责与MySQL数据库建立连接。
create_table.py：创建数据表模块，创建一个名为book_info的数据表，用于存储图书信息。
insert_info.py：插入数据模块，向数据表中插入图书信息。
main.py：主程序模块，负责爬取网页数据，并调用插入数据模块将信息存入数据库。

3. 项目详解：

具体爬取内容：

爬取一个网站的前提是了解这个网站的内容，以及网页布局，最后确定自己需要爬取的内容等。

首先准备工作：

工具（主要是方便查看数据库内容）：Navicat Premium 是一款功能强大的数据库管理工具，提供了用户友好的图形用户界面，使数据库管理变得更加简单和直观。为了更直观的查看数据库里面各种信息，建议安装这个软件，连接也很简单，点新建连接，就会弹出如下页面，连接名随意，其他都不用改，密码就是你安装mysql时设置的密码，我的就是123456，之后的连接数据库等的password也都是这个

然后，如果没有数据库需要先创建一个数据库，具体方法有很多，可以直接用navicat premium，直接右键连接，再点新建数据库，便创建好了，也可以用代码连接并创建数据库。

#此代码为数据库的创建，如果已经有数据库，则可忽略 import pymysql  conn = pymysql.connect(     host='localhost',     port=3306,     user='root',     password='123456',     charset='utf8mb4', ) # 创建数据库test create_db_sql = "CREATE DATABASE IF NOT EXISTS Scrape_book;"#此处创建了名为：Scrape_book的数据库 cursor = conn.cursor() cursor.execute(create_db_sql) # 关闭游标 cursor.close() # 关闭连接 conn.close()

接下来便是主要的代码：

CONN.py：这个模块定义了一个函数connect_mysql()，用于连接MySQL数据库，并返回连接对象。我们需要提供数据库的主机地址、用户名、密码、数据库名以及字符集等信息。
注意：此处是Scrape_book这个数据库是已经存在的，如果没有数据库的请先创建数据库。

import pymysql  def connect_mysql(): #建立与MySQL数据库的连接     conn = pymysql.connect(         host='localhost',         user='root',         password='123456',         db='Scrape_book',         charset='utf8mb4'     )     return conn

create_table.py：在这个模块中，我们使用了CON.py中定义的连接函数，连接到MySQL数据库。然后，我们使用SQL语句创建了一个名为book_info的数据表，用于存储图书信息。

import CONN def create_tables():     conn = CONN.connect_mysql()     cursor = conn.cursor()     # 创建数据表     create_table_sql = '''     CREATE TABLE IF NOT EXISTS book_info (         `key` INT AUTO_INCREMENT PRIMARY KEY,         title VARCHAR(50),         score VARCHAR(20),         typeN VARCHAR(50),         price VARCHAR(20),         author VARCHAR(50),         published_at VARCHAR(50),         page_number VARCHAR(50),         publisher VARCHAR(50),         isbm VARCHAR(50)     ) '''     cursor.execute(create_table_sql)     conn.commit()     conn.close()     cursor.close() create_tables()

insert_info.py：这个模块定义了一个函数insert_info(info)，用于向数据库中插入图书信息。我们需要提供待插入的图书信息作为参数，并通过SQL语句执行插入操作。

import CONN  def insert_info(info):     conn =CONN.connect_mysql()     cursor =conn.cursor()     sql = "INSERT INTO book_info(title,score,typeN,price,author,published_at,publisher,page_number,isbm) VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s)"     values = (info)     cursor.execute(sql, values)     conn.commit()     cursor.close()     conn.close()

main.py：这是项目的核心模块，主要负责爬取网页数据。我们使用了Selenium库来模拟浏览器行为，从指定的网站获取图书信息。然后，我们调用插入数据模块将信息存入数据库。

# 导入所需的库 from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait import time import insert_info # 初始化一个 Chrome WebDriver 实例 driver = webdriver.Chrome() driver.maximize_window()# 设置浏览器全屏 driver.get('https://spa5.scrape.center')# 打开目标网站 time.sleep(2)# 等待 2 秒，确保页面加载完成 # 定义函数，用于获取书籍信息 def get_info():     # 初始化一个空列表，用于存放书籍的标签     ty=[]     # 获取书籍标签     try:         # 使用 XPath 定位符找到包含标签信息的按钮元素         t = driver.find_elements(by=By.XPATH, value="//button[@class='el-button el-button--primary el-button--mini']/span")         for i in t:# 遍历按钮元素，提取其中的文本信息，将标签存入列表中             ty.extend(i.text)             ty.extend('/')             # 将列表中的标签信息拼接为一个字符串，并删除最后一个字符（因为最后一个字符是多余的斜杠）         tag =''.join(ty)[:-1]     except:         tag = 'N/A'     # 获取评分信息     try:         score = driver.find_element(by=By.XPATH, value="//span[@class='score m-r']").text     except:         score = 'N/A'     # 获取书籍标题信息     try:         title = driver.find_element(by=By.XPATH, value="//h2[@class='m-b-sm name' ]").text     except:         title = 'N/A'     # 获取价格信息     try:         price = driver.find_element(by=By.XPATH, value="//div[@class='info']/p[@class='price']").text     except:         price = 'N/A'     # 获取作者信息     try:         author = driver.find_element(by=By.XPATH, value="//div[@class='info']/p[@class='authors']").text     except:         author = 'N/A'     # 获取出版日期信息     try:         published_at = driver.find_element(by=By.XPATH,value="//div[@class='info']/p[@class='published-at']").text     except:         published_at='N/A'     # 获取出版社信息     try:         publisher = driver.find_element(by=By.XPATH,value="//div[@class='info']/p[@class='publisher']").text     except:         publisher = 'N/A'     # 获取页数信息     try:         page_number = driver.find_element(by=By.XPATH,value="//div[@class='info']/p[@class='page-number']").text     except:         page_number='N/A'     # 获取ISBN信息     try:         isbm = driver.find_element(by=By.XPATH, value="//div[@class='info']/p[@class='isbn']").text     except:         isbm = 'N/A'     # 将所有信息组合成一个列表并返回     full_info = [title,score,tag,price,author,published_at, publisher,page_number,isbm]      return full_info # 设置一个循环，用于爬取多页数据 o = 0 while o < 10:     o += 1     # 等待页面元素加载完成     WebDriverWait(driver, 30).until(EC.presence_of_element_located((By.XPATH, "//div[@class='top el-row']/div[@class='el-col el-col-24']/a")))     time.sleep(3)     book_page = driver.find_elements(By.XPATH, "//div[@class='top el-row']/div[@class='el-col el-col-24']/a")     for i in range(len(book_page)):         # 点击链接，进入书籍详情页面         driver.execute_script("arguments[0].click();", book_page[i])         WebDriverWait(driver, 30).until(EC.presence_of_element_located((By.XPATH, "//div[@class='info']")))         # 调用 get_info 函数获取书籍信息，并插入数据库         insert_info.insert_info(get_info())         #返回上一页         driver.back()         # 再次等待书籍列表页面加载完成         WebDriverWait(driver, 30).until(EC.presence_of_element_located((By.XPATH, "//div[@class='top el-row']/div[@class='el-col el-col-24']/a")))         book_page = driver.find_elements(By.XPATH, "//div[@class='top el-row']/div[@class='el-col el-col-24']/a")     # 等待翻页按钮加载完成     WebDriverWait(driver, 30).until(EC.presence_of_element_located((By.XPATH, "//div[@class='top el-row']/div[@class='el-col el-col-24']/a")))     # 找到并点击下一页按钮     next_btn = driver.find_element(By.CLASS_NAME, "btn-next")  # 修改为 next_btn，避免拼写错误     driver.execute_script("arguments[0].click();", next_btn) # 关闭浏览器 driver.close()

4. 实现过程：