使用selenium+phaotmjs爬取人民微博

使用selenium+phaotmjs爬取人民微博

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.keys import Keys
import urllib.request
from bs4 import BeautifulSoup
import time

#打开浏览器
driver = webdriver.PhantomJS(executable_path=r'D:\phantomjs\bin\phantomjs.exe')
wait = WebDriverWait(driver,10)
#模拟登陆
driver.get('http://t.people.com.cn/login.action')
username = wait.until(
    EC.presence_of_element_located((By.CSS_SELECTOR,'#userName'))
    )
username.send_keys('17332335684')
password = wait.until(
    EC.element_to_be_clickable((By.CSS_SELECTOR,'#password'))
    )
password.send_keys('zgx675050748')
time.sleep(4)
password.send_keys(Keys.ENTER)
#爬取内容
for i in range(0,10):
    time.sleep(3)
    driver.execute_script('window.scrollTo(0,1000000)')
    time.sleep(3)
    driver.execute_script('window.scrollTo(0,1000000)')
    time.sleep(3)
    driver.execute_script('window.scrollTo(0,1000000)')
    time.sleep(3)
    comments = driver.find_elements_by_xpath("//a[@data-nodetype='btn_comment']")
    for comment in comments:
        comment.click()

    url = driver.page_source
    soup = BeautifulSoup(url,'html.parser')
    blocks = soup.select('.list_detail')
    f = open('renminweibo.txt','a',encoding='UTF-8')
    for block in blocks:

        name = block.select('.list_user .list_name')[0].text
        text = block.select('.list_text')[0].text
        print('发布者:')
        print(name)
        print('内容 :')
        print(text)
        f.write('发布者:'+'\n')
        f.write(name+'\n')
        f.write('内容:'+'\n')
        f.write(text+'\n')
        block3s = block.select('div.comment_text.skin_color_01')
        for block3 in block3s:
            pinglun = block3.text
            print('评论:')
            print(pinglun)
            f.write('评论:'+'\n')
            f.write(pinglun+'\n')
        print('-----------------')
        f.write('-----------------'+'\n')
    f.close()
    next = wait.until(
        EC.element_to_be_clickable((By.CSS_SELECTOR, '.wbp_pagelist_nextbtn'))
    )
    next.click()
time.sleep(30)
driver.quit()
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
支持自定义搜素关键字、搜索起始时间、起始页数(以实现中断后接上次继续)。内容包括微博账号、发文时间、发送平台、微博内容、转发次数、评论次数、点赞次数、原博地址。 虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提数据并存储,以便后续分析或展示。虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓的场景。 虫的工作流程包括以下几个关键步骤: URL收集: 虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获。 请求网页: 使用HTTP或其他协议向目标URL发起请求,获网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 虫对获的HTML进行解析,提有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助虫定位和提目标数据,如文本、图片、链接等。 数据存储: 虫将提的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反虫机制,虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反虫应对: 由于虫的存在,一些网站采了反虫措施,如验证码、IP封锁等。虫工程师需要设计相应的策略来应对这些挑战。 虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值