利用 Selenium 和 Python 实现网页新闻链接抓取

在网络数据分析和信息检索中，爬虫是一项非常重要的技术。爬虫可以自动化地从网页中提取信息，极大地提升数据收集的效率。本文将以一个具体的代码实例，讲解如何使用 Selenium 库进行网页新闻链接的抓取。

前期准备

在开始之前，需要确保系统已经安装了 Python 以及 Selenium 库。可以通过以下命令进行安装：

pip install selenium

此外，还需要下载适用于浏览器的驱动程序。本文示例中使用的是 Firefox 驱动程序。如果使用的是 Chrome 浏览器，需要下载相应的 Chrome 驱动程序。下载完成后，将驱动程序放在系统的 PATH 路径中。

代码实现

以下是实现从网页中抓取新闻链接的完整代码：

from selenium import webdriver  
import time

# 此处下载的是Firefox驱动，所以用Firefox()函数打开浏览器，
# 若下载的是Chrome驱动，则利用Chrome()函数打开浏览器
driver = webdriver.Firefox()  
  
# 将提取的新闻链接保存在listhref列表中
listhref = []  
url = "https://www.163.com/search?keyword=中国芯片"  

# 通过分析网页结构可知，网页的所有新闻都存放在”class”=”keyword_list”的节点下，
# 右键复制该节点XPath路径，为”/html/body/div[2]/div[2]/div[1]/div[2]”，
# 再对某一个新闻进行分析，得到新闻链接存放的节点a的XPath路径，
# 此时不用添加标号，就可以查询到所有满足条件的新闻链接
xpath_name = "/html/body/div[2]/div[2]/div[1]/div[2]/div/h3/a"  
  
# 根据网页链接打开浏览器
driver.get(url=url)  
  
# 这里设计了两个临时变量，分别保存现在滚动条距离页面顶层的高度和上一次滚动条的高度，
# 用来判断是否滚动条已经到达页面底部，无法继续下滑
nowTop = 0  
tempTop = -1  

# 不断向下滚动滚动条并且保存新闻链接
while True:  
  # 保存网页链接存取在的位置节点
  name = driver.find_elements_by_xpath(xpath_name)  
  # 遍历各个节点
  for j in range(len(name)):  
    # 判断当前下标有没有文本  
    if name[j].text:  
      # 有则添加进列表，通过get_attribute函数获得’href’属性的值，获得新闻链接 
      listhref.append(name[j].get_attribute('href'))  
    else:  
      pass  

  # 执行下拉滚动操作
  driver.execute_script("window.scrollBy(0,1000)")  
  # 睡眠让滚动条反应一下
  time.sleep(5)  
	  
  # 获得滚动条距离顶部的距离
  nowTop = driver.execute_script("return document.documentElement.scrollTop || window.pageYOffset || document.body.scrollTop;")  
  
  # 如果滚动条距离顶部的距离不再变化，意味着已经到达页面底部，可以退出循环
  if nowTop == tempTop:  
    break  
  tempTop = nowTop  
     
# 完成后关闭浏览器  
driver.close()  

# 检查新闻链接是否保存成功
print(listhref)

代码讲解

1. 初始化浏览器驱动

首先，通过 webdriver.Firefox() 初始化 Firefox 浏览器驱动。如果使用 Chrome 浏览器，可以替换为 webdriver.Chrome()。

2. 设置目标 URL 和 XPath

目标 URL 设置为网易新闻的搜索页面，通过关键词“中国芯片”进行搜索。通过分析网页结构，确定新闻链接的 XPath 路径。

3. 打开浏览器并加载网页

使用 driver.get(url) 方法打开目标网页。

4. 滚动页面并提取链接

为了提取所有的新闻链接，需要不断向下滚动页面。通过 driver.execute_script("window.scrollBy(0,1000)") 实现页面滚动，并通过 time.sleep(5) 暂停 5 秒，等待页面加载新内容。

5. 判断是否到达页面底部

利用两个变量 nowTop 和 tempTop 判断是否到达页面底部。如果滚动条距离顶部的高度不再变化，说明已经到达页面底部，此时退出循环。

6. 关闭浏览器并输出结果

循环结束后，关闭浏览器，并输出抓取到的新闻链接列表 listhref。

注意事项

1. 浏览器驱动：确保浏览器驱动与浏览器版本匹配，并将驱动程序放在系统的 PATH 路径中。
2. 页面加载时间：根据网络环境和页面复杂度，适当调整 time.sleep() 的时间。
3. 反爬虫机制：一些网站可能有反爬虫机制，如频繁访问可能导致 IP 被封禁。可以通过设置代理、调整访问频率等方式进行规避。

通过本文的实例，可以帮助读者了解如何使用 Selenium 库进行网页数据抓取，并应用于实际的爬虫项目中。希望这篇文章对你有所帮助！