[Python爬虫] Selenium获取百度百科旅游景点的InfoBox消息盒

前面我讲述过如何通过BeautifulSoup获取维基百科的消息盒，同样可以通过Spider获取网站内容，最近学习了Selenium+Phantomjs后，准备利用它们获取百度百科的旅游景点消息盒（InfoBox），这也是毕业设计实体对齐和属性的对齐的语料库前期准备工作。希望文章对你有所帮助~

源代码

# coding=utf-8
"""
Created on 2015-09-04 @author: Eastmount 
"""

import time        
import re        
import os
import sys
from selenium import webdriver    
from selenium.webdriver.common.keys import Keys    
import selenium.webdriver.support.ui as ui    
from selenium.webdriver.common.action_chains import ActionChains

#Open PhantomJS
driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")
#driver = webdriver.Firefox()
wait = ui.WebDriverWait(driver,10)

#Get the infobox of 5A tourist spots
def getInfobox(name):
    try:
        #create paths and txt files 
        basePathDirectory = "E:\\Tourist_spots_5A"
        if not os.path.exists(basePathDirectory):
            os.makedirs(basePathDirectory)
        baiduFile = os.path.join(basePathDirectory,"BaiduSpider.txt")
        if not os.path.exists(baiduFile):
            info = open(baiduFile,'w')
        else:
            info = open(baiduFile,'a')
    
        #locate input  notice: 1.visit url by unicode 2.write files
        print name.rstrip('\n') #delete char '\n'
        driver.get("http://baike.baidu.com/")
        elem_inp = driver.find_element_by_xpath("//form[@id='searchForm']/input")
        elem_inp.send_keys(name)
        elem_inp.send_keys(Keys.RETURN)
        info.write(name.rstrip('\n')+'\n')
        #print driver.current_url
        time.sleep(5)

        #load infobox
        elem_name = driver.find_elements_by_xpath("//div[@class='basic-info']/dl/dt")
        elem_value = driver.find_elements_by_xpath("//div[@class='basic-info']/dl/dd")

        #create dictionary key-value
        elem_dic = dict(zip(elem_name,elem_value))
        for key in elem_dic:
            print key.text,elem_dic[key].text
            info.write(key.text+":"+elem_dic[key].text+'\n')
        time.sleep(5)
        
    except Exception,e: #'utf8' codec can't decode byte
        print "Error: ",e
    finally:
        print '\n'
        info.write('\n')

#Main function
def main():
    #By function get information 
    source = open("F:\\Tourist_spots_5A.txt",'r')
    for name in source:
        name = unicode(name,"utf-8")
        if u'故宫' in name: #else add a '?'
            name = u'北京故宫'
        getInfobox(name)
    print 'End Read Files!'
    source.close()
    info.close()
    driver.close()

main()

运行结果

主要通过从F盘中txt文件中读取国家5A级景区的名字，再调用Phantomjs.exe浏览器依次访问获取InfoBox值。同时如果存在编码问题“'ascii' codec can't encode characters”则可通过下面代码设置编译器utf-8编码，代码如下：

#设置编码utf-8
import sys 
reload(sys)  
sys.setdefaultencoding('utf-8')
#显示当前默认编码方式
print sys.getdefaultencoding()

对应源码

其中对应的百度百科InfoBox源代码如下图，代码中基础知识可以参考我前面的博文或我的Python爬虫专利，Selenium不仅仅擅长做自动测试，同样适合做简单的爬虫。



编码问题

此时你仍然可能遇到“'ascii' codec can't encode characters”编码问题。



它是因为你创建txt文件时默认是ascii格式，此时你的文字确实'utf-8'格式，所以需要转换通过如下方法。

import codecs

#用codecs提供的open方法来指定打开的文件的语言编码,它会在读取的时候自动转换为内部unicode
if not os.path.exists(baiduFile):  
    info = codecs.open(baiduFile,'w','utf-8')  
else:  
    info = codecs.open(baiduFile,'a','utf-8')
    
#该方法不是io故换行是'\r\n'
info.writelines(key.text+":"+elem_dic[key].text+'\r\n')

总结

你可以代码中学习基本的自动化爬虫方法、同时可以学会如何通过for循环显示key-value键值对，对应的就是显示的属性和属性值，通过如下代码实现：

elem_dic = dict(zip(elem_name,elem_value))

但最后的输出结果不是infobox中的顺序，why?

最后希望文章对你有所帮助，还有一篇基础介绍文章，但是发表时总会引发CSDN敏感系统自动锁定，而且不知道哪里引起的触发。推荐你可以阅读~

[python爬虫] Selenium常见元素定位方法和操作的学习介绍

（By:Eastmount 2015-9-6 深夜2点半 http://blog.csdn.net/eastmount/）