【Python3】利用selenium抓取知乎用户的文章

网络爬虫

浏览数:485

2019-2-22

【背景】

前段时间,阅读知乎上一些用户写的文章的时候觉得阅读起来比较麻烦,不符合我的阅读感受。比如下边这个,我想阅读牛客网的文章(如图1所示),我会通过标题先进行筛选,但是这样滚动下滑太麻烦了,所以想着不如将标题信息爬下来,另外,点赞数和评论数也顺便抓取下来,这样还能看该用户被点赞数最多的文章是哪一篇。说干就干!

图1 知乎用户牛客网的文章

【思路】

利用selenium抓取知乎用户的文章页面源码,接着用pyquery库来解析文章相关信息,并将其保存到MongoDB数据库中,通过MongoDB Compass这个可视化工具可以可视化的操作数据库,还可以进行数据的导入导出。

【涉及知识点】

  • 基本库的使用
  • selenium库、pyquery库、pymongo库的使用
  • CSS selector的使用
  • 正则表达式

【预装库及软件】

  • 首先确保自己的电脑安装了MongoDB数据库。
  • MongoDB Compass软件自己视情况而定,如果常用命令行操作数据库的话,这个可以不安装,对我们的数据抓取没有影响。
  • 确保你的Python3环境中有下边几个库,pymongo、selenium和pyquery要自己安装,可以直接用pip进行安装。
import re
import time
import pymongo
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
from pyquery import PyQuery as pq

【网页分析】

  • 首先找到知乎用户牛客网的文章列表的链接(如图2所示),可以看到总共280篇文章。拉到页面底部可以看到文章列表共有14页(如图3所示)。

图2 知乎用户牛客网的文章列表链接
图3 文章列表页面数

  • 当我们点下一页,页面跳转到第二页时,可以看到网页链接变成“/org/niu-ke-wang-53/posts?page=2”,这样的话,我们可以通过改变传入参数“page”的值来请求这14个页面。
  • 我们使用selenium来模拟浏览器打开网页,这里使用 WebDriverWait 来等待页面加载完网页之后再进行别的处理工作。还可以注意到这样一件事,页面加载完成的时候页面是没有全部显示的,随着鼠标向下滚动才加载出来页面的全部信息。通过如下代码可以模仿鼠标向下滚动到页面底部。
browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")
  • 加载出来页面之后就可以抓取信息了。信息提取这部分主要有函数“get_posts()”来负责。我选择抓取了文章标题、文章链接、文章作者、文章作者主页链接、点赞人数以及评论数。
  • 最后由函数“save_to_mongo()”来将信息存储进MongoDB数据库中。
  • 用下边的代码来取代“browser = webdriver.Chrome()”可以实现浏览器不打开,在后台进行抓取工作。
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
  • 最后打开MongoDB Compass软件可以看到“Documents”值为280,总共抓取了280篇文章的信息。

图4 数据库

【代码实现】

MONGO_URL = 'localhost'
MONGO_DB = 'zhihu'
MONGO_COLLECTION = 'niukewang_posts'
MAX_PAGE = 14

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
# browser = webdriver.Chrome()

wait = WebDriverWait(browser, 10)
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]


def index_page(page):
    """
    抓取索引页
    :param page: 页码
    """
    print('正在爬取第', page, '页')
    try:
        url = 'https://www.zhihu.com/org/niu-ke-wang-53/posts?page=' + str(page)
        browser.get(url)
        wait.until(
            EC.text_to_be_present_in_element((By.CSS_SELECTOR, '.Pagination .PaginationButton--current'), str(page)))
        wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.Profile-mainColumn .List .List-item')))
        browser.execute_script("window.scrollTo(0, document.body.scrollHeight)")
        time.sleep(3)
        get_posts()
    except TimeoutException:
        index_page(page)


def get_posts():
    """
    提取文章数据
    """
    html = browser.page_source
    doc = pq(html)
    items = doc('#Profile-posts .List-item').items()
    for item in items:
        urlstr = item.find('.ContentItem.ArticleItem').attr('data-zop')
        pattern = re.compile('"itemId":(.*?),')
        urlid = re.findall(pattern, urlstr)
        commentstr = item.find('.ContentItem-actions .ContentItem-action.Button--plain').text()
        pattern = re.compile('(\d+)')
        commentnum = re.findall(pattern, commentstr)
        if len(commentnum) == 0:
            commentnum.append('0')
        niukewang_posts = {
            'title': item.find('.ContentItem-title').text(),
            'url': 'https://zhuanlan.zhihu.com/p/'+urlid[0],
            'authorname': item.find('.ContentItem-meta .AuthorInfo-content .UserLink-link').text(),
            'authorurl': 'https:'+str(item.find('.ContentItem-meta .AuthorInfo-content .UserLink-link').attr('href')),
            'like': int(item.find('.ContentItem-actions .LikeButton').text()),
            'commentnum': int(commentnum[0])
        }
        print(niukewang_posts)
        save_to_mongo(niukewang_posts)


def save_to_mongo(result):
    """
    保存至MongoDB
    :param result: 结果
    """
    try:
        if db[MONGO_COLLECTION].insert(result):
            print('存储到MongoDB成功')
    except Exception:
        print('存储到MongoDB失败')


def main():
    """
    遍历每一页
    """
    for i in range(1, MAX_PAGE + 1):
        index_page(i)
    browser.close()


if __name__ == '__main__':
    main()

【成果展示】

下载好的信息按照条目存放到了本地MongoDB数据库里(如图5所示)。

图5 表中前15条数据

用点赞数作为关键词进行降序排列(如图6所示),其中,点赞数最多的是“十面阿里,七面头条,六个Offer,春招结束”这篇文章,有710个赞和83条评论。

图6 点赞数最多前15篇文章数据

【后记】

写文章的初衷也算是将自己的学习成果传播给大家,来帮助大家学习,所以对我写的这篇文章有什么问题的欢迎询问,同时,有错误的地方也欢迎批评指正~

后边写的多的话,会将代码一一整理出来放到GitHub上,分享给大家~