Python+PhantomJS+selenium+BeautifulSoup實現簡易網路爬蟲

Loren1994發表於2017-10-21
PythonJS爬蟲

Python+PhantomJS+selenium+BeautifulSoup實現簡易網路爬蟲

簡易網路小爬蟲，目標站：www.toutiao.com/

已實現的功能

日期 功能
2017.08.12 可獲取首頁輪播圖資料並儲存到本地資料庫
2017.08.16 可獲取首頁新聞列表每一項的全部資料(作者頭像除外)並儲存到本地資料庫
僅供學習使用，如有侵權，敬請原諒。<(▰˘◡˘▰)>

Github地址: github.com/LalaTeam/Py…

介紹

PhantomJS+selenium可以說是...無敵的...

一一介紹一下:

PhantomJS: 實質上就是一個沒有介面的瀏覽器，最主要的功能是能夠讀取js載入的頁面。

selenium: 瀏覽器自動化測試框架.能夠模擬使用者的一些行為操作，比如填寫指定輸入框,下拉操作等。

BeautifulSoup: 它是python的一個庫，最主要的功能是從網頁抓取資料。配合lxml解析,快速獲取指定標籤。

設計

基本思路:

  • 利用PhantomJS模擬請求url
  • 拿到網頁原始碼,解析xml
  • 獲取指定標籤
  • 根據標籤拿到需要的屬性值
  • 存入本地資料庫

網站分析

首先看一下我們能要拿的資料

首頁有一個輪播圖和一個新聞列表

輪播圖包括圖片和文字標題

新聞列表包括圖片,標題,時間,分類,作者暱稱,評論數等等

開啟瀏覽器開發者模式,分析一下標籤內容,

發現每個標籤都帶有一個類似key的東西作為唯一標識,

擷取a標籤的href屬性group後面的一串數字作為唯一標識,

點選每一條新聞,發現新聞詳情的Url是頭條首頁Url+這個唯一標識,

新聞詳情url暫時不獲取,這裡只是先獲取首頁資料.

再分析一下,

每一類標籤都是相同的標籤名並且有相同的class,這樣就好辦了許多,只需要找到這一堆相同class的標籤,再遍歷獲取裡面的屬性值就可以了.

想到這裡,基本就可以開工了,

但實際上還是有一個問題,

就是新聞列表不是一次性載入出來的,並且新聞的圖片是懶載入的,怎麼辦?

思前想後,還是利用PhantomJS去滾動頁面,

由於圖片是懶載入，所以必須滾動一遍到底部停留3秒才可以拿到圖片URL 否則是圖片拿到的是svg+xml的Base64,

一直獲取到新聞時間為一天前就停止獲取,

但是這樣還是會獲取到有重複的新聞,

所以,還是利用它自帶的key去判斷是否已存在,不存在則存入資料庫.

Perfect~

開工

driver = webdriver.PhantomJS()
driver.get(web_url)
# driver.page_source:網頁原始碼
# 利用lxml解析原始碼拿到標籤
# 找到指定的一類標籤
item_tags = BeautifulSoup(driver.page_source, 'lxml')
                                           .find_all('div', class_='bui-box single-mode')複製程式碼

獲取每一類資料的標籤

        for itemTag in item_tags:
            # key
            k = itemTag.find('div', class_='bui-left single-mode-lbox')
                                                           .a['href'].split('/')[2]
            # 圖片
            u = itemTag.find('div', class_='bui-left single-mode-lbox').a.img['src']
            # 時間
            t = itemTag.find('div', class_='single-mode-rbox')
                                      .find('span', class_='footer-bar-action').text
            # 標題
            title = itemTag.find('div', class_='title-box').a.text
            # 分類
            type = itemTag.find('div', class_='bui-left footer-bar-left').a.text
            # 作者頭像
            # head = itemTag.find('div', class_='single-mode-rbox')
            #                 .find('a', class_='footer-bar-action media-avatar')
            # 作者暱稱
            name = itemTag.find('div', class_='bui-left footer-bar-left')
                                     .find_all('a', class_='footer-bar-action source')
            na = "" if len(name) == 0 else name[0].text
            # 評論數
            num = itemTag.find('div', class_='bui-left footer-bar-left')
                                      .find_all('a',class_='footer-bar-action source')複製程式碼

資料庫判斷插入或更新

@staticmethod
def isExistList(self, list):
    try:
            with connection.cursor() as cursor:
                for item in list:
                    key = item[2]
                    cursor.execute(list_select_sql, (key))
                    result = cursor.fetchone()
                    if result is None:
                        self.db_operate(list_insert_sql, item)
                    else:
                        temp = (item[0], item[1], item[5], item[8], item[2])
                        self.db_operate(list_update_sql, temp)
    finally:
            # connection.close()
            print('isExistList finally')複製程式碼

滾動到底部的三種方式

# 滾動到底部三種方式
# 1、driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
# 2、actions = ActionChains(driver)
# actions.move_to_element(e).perform()
elems = driver.find_elements_by_class_name("lazy-load-img")
driver.execute_script("arguments[0].scrollIntoView();", elems[len(elems) - 1])
# 停留三秒
time.sleep(3)複製程式碼

各種SQL語句

home_insert_sql = "INSERT INTO `tt_home_page` (`content`, `pic_url`,`click_key`,`create_time`,`type`) VALUES (%s,%s,%s,%s,%s)"
home_select_sql = "SELECT `*` FROM `tt_home_page` WHERE `click_key`=%s"
home_update_sql = "UPDATE tt_home_page SET content = %s, pic_url = %s WHERE click_key = %s"

list_insert_sql = "INSERT INTO `tt_home_list` (`content`, `pic_url`,`click_key`,`create_time`,`type`,`web_time`,`author_name`,`author_head`,`comment_num`) VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s)"
list_select_sql = "SELECT `*` FROM `tt_home_list` WHERE `click_key`=%s"
list_update_sql = "UPDATE tt_home_list SET content = %s, pic_url = %s, web_time = %s, comment_num = %s WHERE click_key = %s"複製程式碼

獲取到的資料

  • 首頁列表資料

  • 首頁輪播資料

以上一個簡單爬蟲就完成了,很有意思~

具體專案可看Github,歡迎Star~

相關文章