1.知乎动态加载
当我们需要爬取知乎中的数据时,会发现知乎采取动态加载技术,内容块只有在浏览器下滚时才会刷新。没有“下一页”,所以不同与普通爬虫,我们需要模拟浏览器的操作。
2.Selenium与PhantomJS的配合
对于采用异步加载技术的网页,可以使用Selenium模块模拟浏览器。Selenium是一个用于Web应用程序测试的工具,直接运行在浏览器中,使浏览器自动加载页面,Selenium自身不带浏览器,需要配合第三方浏览器来使用。PhantomJS是一种无界面,“无头”浏览器,开销小,速度快。
通过Selenium与PhantomJS的配合使用,不需要进行逆向工程,便可获得异步加载数据,能够完全模拟用户在浏览器的所有操作,包括输入框的内容填写、单击、截屏、下滑等。
3.模拟下滚应对动态加载
def scroll_foot(driver):
if driver.name == "chrome" or driver.name == 'phantomjs':
js = "var q=document.body.scrollTop=100000"
elif driver.name == 'internet explorer':
js = "var q=document.documentElement.scrollTop=100000"
return driver.execute_script(js)
注意一定是100000啊,之前少了个0,差点被坑死
#获取子页面网址
def get_info(url):
driver = webdriver.PhantomJS()
#driver.keep_alive = False
driver.get(url)
#driver.implicitly_wait(1)
for i in range(500):
scroll_foot(driver)
time.sleep(2)
#//*[@id="TopicMain"]/div[3]/div/div/div/div[1]
infos = driver.find_elements_by_xpath('//*[@id="TopicMain"]/div[3]/div/div/div/div')
for info in infos:
try:
#//*[@id="TopicMain"]/div[3]/div/div/div/div[1]/div/h2/div/a
questions=info.find_elements_by_xpath('div/h2/div/a')
for question in questions:
question=question.get_attribute('href')
#print(question)
#full_question='https://www.zhihu.com'+question
#print(full_question) 自动加
psy.insert_one({'url':question}) #mongodb数据库插入
#get_question_info(question)
driver.close
except IndexError :
pass
driver.quit()
此处的url可以是https://www.zhihu.com/topic/19551432/hot
并且,使用模拟浏览器,就不用再加网页头了。
xpath的语句构造,可以参看上一篇博客 ,“先抓大,后抓小,寻找循环点”
未完待续