快捷導(dǎo)航

python?selenium.webdriver?爬取政策文件的實(shí)現(xiàn)

更新時(shí)間：2023年07月20日 10:14:48 作者：Cachel?wood

本文主要介紹了python?selenium.webdriver?爬取政策文件的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

獲取文章鏈接

獲取中央人民政府網(wǎng)站鏈接，進(jìn)入國(guó)務(wù)院政策文件庫(kù)，分為國(guó)務(wù)院文件和部門文件（發(fā)改委、工信部、交通運(yùn)輸部、市場(chǎng)監(jiān)督局、商務(wù)部等）

搜索關(guān)鍵詞——汽車，即可得到按照相關(guān)度或者時(shí)間排列的政策文件。

批量爬取政策文件

批量獲取文件鏈接并存入列表

應(yīng)用selenium爬取文件信息

利用xpath定位鏈接、索引號(hào)、標(biāo)題、發(fā)文機(jī)關(guān)、發(fā)文字號(hào)、主題分類、成文日期、發(fā)布日期、文件內(nèi)容等信息。

右側(cè)通過光標(biāo)定位各部分信息，右鍵點(diǎn)擊 copy 并選擇 copy xpath即可復(fù)制xpath路徑。

完整代碼

from selenium import webdriver
from urllib.error import HTTPError
from selenium.webdriver.common.by import By   #selenium新版本寫法
import warnings
warnings.filterwarnings('ignore')
"""
爬蟲國(guó)務(wù)院文件
傳入鏈接，返還鏈接內(nèi)的全部?jī)?nèi)容，生成字典
"""
def get_info(id,url):
    options = webdriver.ChromeOptions()
    options.add_argument('--headless')
    options.add_argument('--no-sandbox')
    options.add_argument('--disable-dev-shm-usage')
    driver = webdriver.Chrome(options=options)
    link = {}
    driver.get(url)
    try:
        link['文章ID'] = id  # 序列ID，從0—現(xiàn)有的文件數(shù)
        link['鏈接'] = url  # 原文鏈接
        #time.sleep(3)
        link['索引號(hào)'] = driver.find_element(By.XPATH,
            '/html/body/div[4]/div/div[2]/div[1]/table/tbody/tr/td/table/tbody/tr[1]/td[2]').text  # 索引號(hào)
        link['標(biāo)題'] = driver.find_element(By.XPATH,
            "/html/body/div[4]/div/div[2]/div[1]/table/tbody/tr/td/table/tbody/tr[3]/td[2]").text  # 標(biāo)題
        link['發(fā)文機(jī)關(guān)'] = driver.find_element(By.XPATH,
            "/html/body/div[4]/div/div[2]/div[1]/table/tbody/tr/td/table/tbody/tr[2]/td[2]").text  # 發(fā)文機(jī)關(guān)
        link['發(fā)文字號(hào)'] = driver.find_element(By.XPATH,
            "/html/body/div[4]/div/div[2]/div[1]/table/tbody/tr/td/table/tbody/tr[4]/td[2]").text  # 發(fā)文字號(hào)
        link['主題分類'] = driver.find_element(By.XPATH,
            "/html/body/div[4]/div/div[2]/div[1]/table/tbody/tr/td/table/tbody/tr[1]/td[4]").text  # 主題分類
        link['成文日期'] = driver.find_element(By.XPATH,
            "/html/body/div[4]/div/div[2]/div[1]/table/tbody/tr/td/table/tbody/tr[2]/td[4]").text  # 成文日期
        link['發(fā)布日期'] = driver.find_element(By.XPATH,
            '/html/body/div[4]/div/div[2]/div[1]/table/tbody/tr/td/table/tbody/tr[4]/td[4]')   # 發(fā)布日期
        link['文件內(nèi)容'] = driver.find_element(By.XPATH,"http://*[@id='UCAP-CONTENT']").text  # 內(nèi)容
        with open('汽車/國(guó)務(wù)院文件/'+link['標(biāo)題']+'.txt','w',encoding='utf-8') as file:
            file.write(link['文件內(nèi)容'])
    except HTTPError:
        return None
    driver.quit()
    return link

數(shù)據(jù)處理

每次爬取單一文件信息并整理為dataframe，之后按行合并。

import pandas as pd
df = pd.DataFrame()
with open('link1.txt','r',encoding='utf-8') as f:
    links = f.readlines()
for id,url in enumerate(links):
    url = url.strip('\n')
    print(url)
    result = get_info(id,url)
    df1 = pd.DataFrame.from_dict(result,'index').T
    df = pd.concat([df,df1],axis=0)
df

導(dǎo)出為excel

df.to_excel('汽車行業(yè)政策文本研究.xlsx',index=False)

到此這篇關(guān)于python selenium.webdriver 爬取政策文件的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)python selenium.webdriver 爬取內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: