Python爬虫：Selenium+ BeautifulSoup 爬取JS渲染的动态内容（雪球网新闻）

最近要有一个任务，要爬取https://xueqiu.com/#/cn 网页上的文章，作为后续自然语言处理的源数据。

爬取目标：下图中红色方框部分的文章内容。（需要点击每篇文章的链接才能获得文章内容）

注：该文章仅介绍爬虫爬取新闻这一部分，爬虫语言为Python。

 乍一看，爬虫的实现思路很简单：

（1）从原始页面https://xueqiu.com/#/cn上爬取各篇文章的URL

（2）通过第一步所获得的各篇文章的URL，抓取文章内容。

但是发现简单使用urllib2.urlopen()并不能获得红框部分的数据，原因是该部分数据是通过JS动态加载的。

  最终发现可以采用Selenium框架来抓取动态数据。Selenium原本是Web测试工具，在Python爬虫中，可以使用它来模拟真实浏览器对URL进行访问，Selenium支持的浏览器包括Firefox、Chrome、Opera、Edge、IE 等。在此我使用的是Firefox浏览器。

  Python爬虫脚本如下，可以参考注释来理解代码：

 

# coding=utf-8

import time
import Queue
import pymongo
import urllib2
import threading
from bs4 import BeautifulSoup
from BeautifulSoup import *
from selenium import webdriver
from selenium.webdriver.common.by import By


# 连接本地MongoDB数据库
client = pymongo.MongoClient()
# 数据库名为shsz_news
db = client.shsz_news
# collection名为news
collection = db.news


# 文章存储数据结构为：标题  作者  文章发布时间 阅读量  文章内容
#                    title  author  timestamp    read   content
class Article:
    title = ""
    url = ""
    author = ""
    timestamp = ""
    read = 0
    content = ""

    def __init__(self, title, url, author, timestamp, read, content):
        self.title = title
        self.url = url
        self.author = author
        self.timestamp = timestamp
        self.read = read
        self.content = content


# 参数为：点击多少次"加载更多"
# 返回值为文章的url列表，数据总条数为：50 + 15 * num
def get_article_url(num):
    browser = webdriver.Firefox()
    browser.maximize_window()
    browser.get('http://xueqiu.com/#/cn')
    time.sleep(1)

    # 将屏幕上滑4次，之后会出现“加载更多”按钮——此时有50篇文章
    for i in range(1, 5):
        browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
        time.sleep(1)

    # 点击num次“加载更多”——每次点击会加载15篇新闻
    for i in range(num):
        # 找到加载更多按钮，点击
        browser.find_element(By.LINK_TEXT, "加载更多").click()
        time.sleep(1)

    soup = BeautifulSoup(browser.page_source)
    # 解析html，获取文章列表
    article_queue = parse_html(soup)
    browser.close()
    return article_queue


# 解析html，返回Article的队列
def parse_html(soup):
    article_queue = Queue.Queue()
    article_divs = soup.findAll('div', {'class': 'home__timeline__item'})
    if article_divs is not None:
        for article_div in article_divs:
            # 获取文章url
            url = dict(article_div.h3.a.attrs)['href']
            article_url = 'https://xueqiu.com' + url
            # 获取文章标题
            article_title = article_div.h3.a.string
            # 获取文章作者
            article_author = article_div.find('a', {'class': 'user-name'}).string
            # 获取文章发布时间
            article_timestamp = article_div.find('span', {'class': 'timestamp'}).string
            # 获取文章阅读量
            article_read = article_div.find('div', {'class': 'read'}).string
            # 构造article对象，添加到article_queue队列中
            article = Article(url=article_url, title=article_title, author=article_author,
                              timestamp=article_timestamp, read=article_read, content='')
            article_queue.put(article)
    return article_queue


# 获取文章内容的线程
class GetContentThread(threading.Thread):
    def __init__(self, article_queue):
        threading.Thread.__init__(self)
        self.url_queue = article_queue

    def run(self):
        count = 0;
        while 1:
            try:
                count += 1
                # 打印每个线程的处理进度...
                if count % 100 == 0:
                    print count
                article = self.url_queue.get()
                # 获取文章url
                article_url = article.url
                request = urllib2.Request(article_url)
                request.add_header('User-Agent', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6')
                response = urllib2.urlopen(request, timeout=10)
                chunk = response.read()
                soup = BeautifulSoup(chunk)
                # 将文章内容解析出来
                content = soup.find('div', {'class': 'detail'})
                # 需要使用str()函数，否则无法保存到mongoDB中
                article.content = str(content)
                try:
                    # 将article信息写入mongoDB数据库
                    collection.save(article.__dict__)
                except Exception, e:
                    # 该方法提示q.join()是否停止阻塞
                    self.url_queue.task_done()
                    # 将该文章重新放入队列
                    self.url_queue.put(article)
                    print "Save into MongoDB error！Let's make a comeback "
                # 该方法提示q.join()是否停止阻塞
                self.url_queue.task_done()

            except Exception, e:
                # 该方法提示q.join()是否停止阻塞
                self.url_queue.task_done()
                print 'get content wrong! ', e, '\n'
                # 出现异常，将异常信息写入文件
                file1 = open('get_content_wrong.txt', 'a')
                file1.write(str(article.title) + '\n')
                file1.write(str(article.url) + '\n')
                file1.write(str(e) + '\n')
                file1.close()
                if '404' in str(e):
                    print 'URL 404 Not Found:', article.url
                # 如果错误信息中包含 'HTTP' or 'URL' or 'url' ，将该地址重新加入队列，以便稍后重新尝试访问
                elif 'HTTP' or 'URL' or 'url' in str(e):
                    self.url_queue.put(article)
                    print "Let's make a comeback "
                    continue


def main():
    # 获得所有的文章,并将它们放入队列中
    article_queue = get_article_url(150)

    # 创建10个线程，获取所有文章的具体内容,并写入mongoDB数据库
    for i in range(10):
        gct = GetContentThread(article_queue)
        gct.setDaemon(True)
        gct.start()

    # 等待队列中的所有任务完成
    article_queue.join()


main()