东莞企业网站建设预算大概多少网络有限公司做女装网站的

【前期提要】感兴趣的可以看看往期文章哈~
Python网络爬虫5-实战网页爬取
Python网络爬虫4-实战爬取pdf
Pyhon网络爬虫3-模拟用户点击
Python网络爬虫实战2-下载url下的pdf
Python网络爬虫基础1

1.需求背景

针对长虹美菱电器说明书网页形式，编写爬虫代码，要求获取对应型号的pdf。

网站分析：

第一步：点击一个具体的型号，会打开一个新的pdf的页面，就是目标型号的pdf
第二步：在新的页面点击下载按钮，下载pdf
第三步：切换回原始的型号列表页面
第四步：点击下一页，下载其他型号pdf

2.主要困难与解决方法

上述分析过程有以下需要解决的问题：

问题1. pdf连接不直接暴露。按F12打开开发者模式，我们可以看到，按钮链接时什么也没有的。也就是说不能采用requests获取url的方式，只能通过Selenium模拟用户点击。

解决1：Selenium模拟用户点击，开发者模式下获取向右箭头的位置。发现第一个的Xpath为：

/html/body/div/div[2]/div/div[3]/ul/li[1]/div/div/span-----第一个
/html/body/div/div[2]/div/div[3]/ul/li[2]/div/div/span-----第二个
.....
/html/body/div/div[2]/div/div[3]/ul/li[9]/div/div/span-----第九个个

每一页有九个，可以使用一个for循环用i变量来循环每个位置：

/html/body/div/div[2]/div/div[3]/ul/li[{i}]/div/div/span
同理，我们也可以得到对应的文字说明位置。
/html/body/div/div[2]/div/div[3]/ul/li[{i}]/div/div/text()

问题2：点击箭头打开新的连接页面，通过 self.driver.switch_to.window(handle)，切换窗口，pdf_url = self.driver.current_url得到pdf连接，发现此url,无法通过使用download_file_from_url函数下载pdf。

def download_file_from_url(url, save_path, file_name):'''url为以.pdf为结尾的链接'''response = requests.get(url, timeout=10, stream=True, verify=False)if response.status_code == 200:with open(os.path.join(save_path, file_name), 'wb') as f:for chunk in response.iter_content(1024):f.write(chunk)return Trueelse:return False

报错如下：

requests.exceptions.SSLError: HTTPSConnectionPool(host=‘mlmall.meiling.com’, port=443): Max retries exceeded with url
通常表示在尝试通过HTTPS（端口443）连接到指定的主机（mlmall.meiling.com）时发生了SSL/TLS相关的问题
可能是SSL证书问题

总之，是无法从url链接下载pdf。还是只能使用模拟用户点击。

**解决2：**如图所示，找到下载按钮的xapth=//*[@id=“download”] 以此进行定位和点击。

如此便有另一个问题，就是点击此按钮就进行下载pdf了，并不能进行重命名。解决方法只能是将对应的pdf链接和下载的文件及对应的型号信息存储在excel中，爬取完成之后，再根据excel中的信息进行统一的重命名。

问题3：点击下一页
**解决3：**模拟用户点击，获取下一页的按钮，点击它

问题4：如果程序出错停止，如何不重头开始

3.代码实现

1.首先定义一个类，主要是为了更改文件下载的默认地址，和设置全局变量，存储型号文本和pdf链接，以方便存储到excel中

'''
import os
import pandas as pd
import time
import shutilfrom selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.chrome.options import Optionsclass MeiLin():def __init__(self,url='https://mlmall.meiling.com/meiling/pages/servicesSupport.html?_v=0.1.0#/instructions',cur_page=1,# 记录当前页面):chrome_options = Options()prefs = {"download.default_directory": "E:\downl",  # 下载文件夹路径"download.prompt_for_download": False,"download.directory_upgrade": True,"safebrowsing.enabled": True}chrome_options.add_experimental_option("prefs", prefs)self.res=[]self.driver = webdriver.Chrome(options=chrome_options)self.driver.get(url)

2.每一页的主要执行流程

    def get_one_page_pdf(self, finish_page=85, page=0):
# finish_page为了指定结束的页面（在实际中发现，到了一定的页面，有的型号不含pdf链接了，新打开的页面结构也不是这样了）
# page 标识正在处理的页面try:while(page<finish_page+1):# 到了指定的页面进行下载# if page>2:#    breakpage += 1if page < 4:# 发现前3页，点击下一页的按钮和之后的不一样，所以这里进行分情况，都是实战找出的啊# 为了偷懒就这样吧，实现功能但并不优雅button_xpath = '/html/body/div/div[2]/div/div[3]/nav/ul/li[8]/a'else:button_xpath = '/html/body/div/div[2]/div/div[3]/nav/ul/li[9]/a'# 每页有9个说明书for i in range(1, 10):one_mes = []#if i > 1:#   breaktry:# 获取型号文本text_xpath = '/html/body/div/div[2]/div/div[3]/ul/li[{}]/div/div'.format(i)text = self.driver.find_element_by_xpath(text_xpath).textone_mes.append(text)# 点击一个具体的型号，打开了一个新的链接xpath = '/html/body/div/div[2]/div/div[3]/ul/li[{}]/div/div/span'.format(i)click_element = WebDriverWait(self.driver, 5).until(EC.element_to_be_clickable((By.XPATH, xpath)))click_element.click()# 记录当前主要页面的句柄base_window = self.driver.current_window_handleall_handles = self.driver.window_handlesfor handle in all_handles:if handle != self.driver.current_window_handle:# 找到了新打开的页面，切换到新页面，得到urlself.driver.switch_to.window(handle)pdf_url = self.driver.current_url# 有的不是pdf链接，进行后缀判断if '.pdf' in str(pdf_url):one_mes.append(pdf_url)time.sleep(10)# 进行pdf下载try:click_element = WebDriverWait(self.driver, 5).until(EC.element_to_be_clickable((By.XPATH, '//*[@id="download"]')))click_element.click()time.sleep(10)except:print("第{}页的第{}个不是pdf网页，保存失败".format(page, i))passprint("完成第{}页的第{}个".format(page, i))self.res.append(one_mes)self.driver.close()except:print("第{}页的第{}个操作失败".format(page, i))# 如果失败了，还切回去原来的窗口，重新开始self.driver.switch_to.window(base_window)continue# 完成，关闭该页面，切换到原始窗口self.driver.switch_to.window(base_window)print("已经完成第{}页".format(page))# 点击下一页，进行下一页的下载try:click_element = WebDriverWait(self.driver, 5).until(EC.element_to_be_clickable((By.XPATH, button_xpath)))click_element.click()time.sleep(3)except:print("无法点击下一页")breakexcept:print("while 循环终止")

3.程序入口:

if __name__=="__main__":meilin = MeiLin()try:meilin.get_one_page_pdf(finish_page=85)except:passfinally:data = meilin.resdf = pd.DataFrame(data, columns=['电器型号', '说明书链接'])save_folder = 'E:\\HWR_files\\Pycharm_files\\HWR\\webcraw\\美菱.xlsx'df.to_excel(save_folder, index=False, sheet_name='匹配结果')print("------------------保存完成------------------")

结果图：（只取了两页，每页取一个）