前几天写了用爬虫来揭露约稿骗局的真相,但实际上对于动态加载的数据来说,用程序爬取比较困难,在这种情况下,可以使用selenium来模拟浏览器行为,达到同样目的。
安装好python之后,利用pip命令安装selenium,下载浏览器对应的driver就可以进行了。这次我们需要用selenium打开某个用户的timeline页面以后,一直页面下拉,直到页面中出现“加入了简书”。
selenium进行页面滚动
平时我们都是用鼠标滚轮在浏览器中进行页面滚动,在selenium中,同样可以模拟鼠标操作。但是这次我们采用了javascript来进行页面滚动。滚动代码如下:
js="document.documentElement.scrollTop=%d" % step
browser.execute_script(js)
time.sleep(0.2)
step是页面滚动的像素,step每次会增加,这样就实现了页面自动向下滚动。
关闭chrome浏览器自动加载图片
浏览器默认是加载图片的,为了提高速度,此处要禁止chrome加载图片
options = webdriver.ChromeOptions()
prefs = {"profile.managed_default_content_settings.images":2}
options.add_experimental_option("prefs",prefs)
browser = webdriver.Chrome(chrome_options=options)
使用headless模式运行chrome
发现加载了太多的动态之后,浏览器还是会卡死,这时可以考虑用headless模式运行chrome。headless模式下的chrome不会出现用户图形界面,因此速度更快。
options = webdriver.ChromeOptions()
options.add_argument('headless')
删除页面上元素
在使用了headless模式后,发现浏览器最后还是越来越慢,应该是因为页面上元素太多,渲染不过来造成的。这时想到了用javascript删除页面元素。注意,需要保留最后一个li元素,以便计算max_id。
var nodeList=document.querySelectorAll("#list-container > ul > li");
for(var i=0;i<nodeList.length-1;i++){
nodeList[i].remove()
}
将这段JS代码在selenium中运行即可。同时由于页面元素会被删除,页面滚动的代码也要做一些调整,需要先返回顶部,再向下滚动,以防下拉刷新没有触发。
browser.execute_script("document.documentElement.scrollTop=0")
browser.execute_script("document.documentElement.scrollTop=1600")
爬取结果分析
在爬取的动态中搜索,还是找不到“大神带我来搬砖”
![6908832-050cab01cc6c4b8b.png](https://i-blog.csdnimg.cn/blog_migrate/cd1a53b340f4472320d9305b2c0178de.png)
这次的代码其实有几个缺陷:
- selenium无法取得页面动态加载状态,因此需要设置一个较长的sleep时间,保证页面加载完成。
- 因为每次需要保留最后一个li元素,爬取下来的动态有重复的。
源码
from selenium import webdriver
import time
options = webdriver.ChromeOptions()
prefs = {"profile.managed_default_content_settings.images":2}
options.add_experimental_option("prefs",prefs)
browser = webdriver.Chrome(chrome_options=options)
browser.set_page_load_timeout(60)
browser.get("https://www.jianshu.com/users/5aa8494a18c8/timeline")
time.sleep(5)
file = open("browser.txt",'w',encoding='utf-8')
while True:
text = browser.find_element_by_xpath("""//*[@id="list-container"]/ul""").text
file.write(text)
# remove li elements
js='''var nodeList=document.querySelectorAll("#list-container > ul > li");for(var i=0;i<nodeList.length-1;i++){nodeList[i].remove()}'''
browser.execute_script(js)
# scroll
browser.execute_script("document.documentElement.scrollTop=0")
browser.execute_script("document.documentElement.scrollTop=1600")
time.sleep(10)
if '加入了简书' in text:
print("end")
break
file.write(text)
file.close()