如何使用Selenium Python爬取多个分页的动态表格并进行数据整合和分析

导语

在网络爬虫的领域中，动态表格是一种常见的数据展示形式，它可以显示大量的结构化数据，并提供分页、排序、筛选等功能。动态表格的数据通常是通过JavaScript或Ajax动态加载的，这给爬虫带来了一定的挑战。本文将介绍如何使用Selenium Python这一强大的自动化测试工具来爬取多个分页的动态表格，并进行数据整合和分析。

正文

Selenium Python简介

Selenium是一个开源的自动化测试框架，它可以模拟用户在浏览器中的操作，如点击、输入、滚动等，从而实现对网页的自动化测试或爬取。Selenium支持多种编程语言，如Java、Python、Ruby等，其中Python是最受欢迎的一种，因为它简洁、易用、灵活。Selenium Python提供了一个WebDriver API，它可以让我们通过Python代码控制不同的浏览器驱动，如Chrome、Firefox、Edge等，从而实现对不同网站和平台的爬取。

动态表格爬取步骤

要爬取多个分页的动态表格，我们需要遵循以下几个步骤：

找到目标网站和目标表格。我们需要确定我们要爬取的网站和表格的URL，并用Selenium Python打开它们。
定位表格元素和分页元素。我们需要用Selenium Python提供的各种定位方法，如find_element_by_id、find_element_by_xpath等，来找到表格元素和分页元素，并获取它们的属性和文本。
爬取表格数据和翻页操作。我们需要用Selenium Python提供的各种操作方法，如click、send_keys等，来模拟用户在表格中翻页，并用BeautifulSoup等库来解析表格数据，并存储到列表或字典中。
数据整合和分析。我们需要用Pandas等库来对爬取到的数据进行整合和分析，并用Matplotlib等库来进行数据可视化和展示。

动态表格爬取特点

爬取多个分页的动态表格有以下几个特点：

需要处理动态加载和异步请求。动态表格的数据通常是通过JavaScript或Ajax动态加载的，这意味着我们需要等待页面完全加载后才能获取到数据，或者使用Selenium Python提供的显式等待或隐式等待方法来设置超时时间。
需要处理分页逻辑和翻页规则。动态表格通常有多个分页，每个分页有不同数量的数据，我们需要根据分页元素来判断当前所在的分页，并根据翻页规则来选择下一个分页。有些网站可能使用数字按钮来表示分页，有些网站可能使用上一页和下一页按钮来表示分页，有些网站可能使用省略号或更多按钮来表示分页，我们需要根据不同情况来选择合适的翻页方法。
需要处理异常情况和错误处理。在爬取过程中，可能会遇到各种异常情况和错误，如网络中断、页面跳转、元素丢失等，我们需要用Selenium Python提供的异常处理方法来捕获和处理这些异常，并设置重试机制和日志记录。

案例

为了具体说明如何使用Selenium Python爬取多个分页的动态表格并进行数据整合和分析，我们以一个实际的案例为例，爬取Selenium Easy网站上的一个表格示例，并对爬取到的数据进行简单的统计和绘图。

网站和表格介绍

Selenium Easy是一个提供Selenium教程和示例的网站，它有一个表格演示页面，展示了一个有分页功能的动态表格，这个表格有15条记录，每个分页有5条记录，共有3个分页。每条记录包含了一个人的姓名、职位、办公室、年龄、入职日期和月薪。我们的目标是爬取这个表格中的所有数据，并对不同办公室的人数和月薪进行统计和绘图。

代码实现

为了实现这个目标，我们需要用到以下几个库：

selenium：用于控制浏览器驱动和模拟用户操作
requests：用于发送HTTP请求和获取响应
BeautifulSoup：用于解析HTML文档和提取数据
pandas：用于处理数据结构和分析
matplotlib：用于绘制数据图表

首先，我们需要导入这些库，并设置一些全局变量，如浏览器驱动路径、目标网站URL、代理服务器信息等：

# 导入库
import requests
from selenium import webdriver
from bs4 import BeautifulSoup
import pandas as pd
import matplotlib.pyplot as plt

# 设置浏览器驱动路径
driver_path = r'/Users/weaabduljamac/Downloads/chromedriver'

# 设置目标网站URL
url = 'https://demo.seleniumeasy.com/table-pagination-demo.html'

# 亿牛云 爬虫代理加强版 设置代理服务器信息
proxyHost = "www.16yun.cn"
proxyPort = "3111"
proxyUser = "16YUN"
proxyPass = "16IP"

接下来，我们需要创建一个浏览器驱动对象，并设置代理服务器参数，然后打开目标网站：

# 创建浏览器驱动对象
driver = webdriver.Chrome(driver_path)

# 设置代理服务器参数
options = webdriver.ChromeOptions()
options.add_argument(f'--proxy-server=http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}')

# 打开目标网站
driver.get(url)

然后，我们需要定位表格元素和分页元素，并获取它们的属性和文本：

# 定位表格元素
table = driver.find_element_by_xpath('//*[@id="myTable"]')

# 定位分页元素
pagination = driver.find_element_by_xpath('//*[@id="myPager"]')

# 获取分页元素的文本
pagination_text = pagination.text

# 获取分页元素的链接列表
pagination_links = pagination.find_elements_by_tag_name('a')

接着，我们需要创建一个空列表来存储爬取到的数据，并创建一个循环来遍历每个分页，并爬取每个分页中的表格数据：

# 创建一个空列表来存储爬取到的数据
data = []

# 创建一个循环来遍历每个分页
for i in range(len(pagination_links)):
    # 获取当前分页元素的文本
    current_page_text = pagination_links[i].text
    
    # 判断当前分页元素是否是数字按钮或更多按钮（省略号）
    if current_page_text.isdigit() or current_page_text == '...':
        # 点击当前分页元素
        pagination_links[i].click()
        
        # 等待页面加载完成（可以使用显式等待或隐式等待方法来优化）
        driver.implicitly_wait(10)
        
        # 重新定位表格元素（因为页面刷新后原来的元素可能失效）
        table = driver.find_element_by_xpath('//*[@id="myTable"]')
        # 解析表格元素的HTML文档
        soup = BeautifulSoup(table.get_attribute('innerHTML'), 'html.parser')
    
        # 提取表格元素中的每一行数据
        rows = soup.find_all('tr')
    
        # 遍历每一行数据
        for row in rows:
            # 提取每一行数据中的每一列数据
            cols = row.find_all('td')
        
             # 判断每一列数据是否为空（因为表头行没有数据）
            if len(cols) > 0:
                # 获取每一列数据的文本
                name = cols[0].text
                position = cols[1].text
                office = cols[2].text
                age = cols[3].text
                start_date = cols[4].text
                salary = cols[5].text
            
                # 将每一列数据组合成一个字典
                record = {
                  'name': name,
                  'position': position,
                  'office': office,
                  'age': age,
                  'start_date': start_date,
                  'salary': salary
                 }
            
                # 将字典添加到列表中
                data.append(record)
            
     # 判断当前分页元素是否是上一页或下一页按钮
    elif current_page_text == 'Prev' or current_page_text == 'Next':
        # 点击当前分页元素
        pagination_links[i].click()
    
        # 等待页面加载完成（可以使用显式等待或隐式等待方法来优化）
        driver.implicitly_wait(10)
    
        # 重新定位分页元素（因为页面刷新后原来的元素可能失效）
        pagination = driver.find_element_by_xpath('//*[@id="myPager"]')
    
        # 重新获取分页元素的链接列表（因为页面刷新后原来的链接可能变化）
        pagination_links = pagination.find_elements_by_tag_name('a')

最后，我们需要用Pandas等库来对爬取到的数据进行整合和分析，并用Matplotlib等库来进行数据可视化和展示：

# 关闭浏览器驱动对象
driver.quit()

# 将列表转换为Pandas数据框
df = pd.DataFrame(data)

# 查看数据框的基本信息
print(df.info())

# 查看数据框的前五行
print(df.head())

# 对不同办公室的人数进行统计和分组
office_count = df.groupby('office')['name'].count()

# 对不同办公室的月薪进行统计和分组（注意月薪需要去掉货币符号和逗号，并转换为数值类型）
office_salary = df.groupby('office')['salary'].apply(lambda x: x.str.replace('$', '').str.replace(',', '').astype(float).sum())

# 绘制不同办公室的人数和月薪的柱状图
fig, ax = plt.subplots(1, 2, figsize=(12, 6))
office_count.plot.bar(ax=ax[0], title='Number of Employees by Office')
office_salary.plot.bar(ax=ax[1], title='Total Salary by Office')
plt.show()

结语

本文介绍了如何使用Selenium Python爬取多个分页的动态表格，并进行数据整合和分析。通过这个案例，我们可以学习到Selenium Python的基本用法和特点，以及如何处理动态加载和异步请求、分页逻辑和翻页规则、异常情况和错误处理等问题。Selenium Python是一个强大而灵活的自动化测试工具，它可以帮助我们实现对各种网站和平台的爬取，从而获取有价值的数据和信息。希望本文能对你有所帮助和启发，欢迎你继续探索Selenium Python的更多功能和应用。