本文的需求是抓取UC头条各个板块的内容。UC头条网站没有提供搜索入口,只能每个板块的首页向下滚动鼠标加载更多。要对这样的网站进行检索,抓取其内容,采用一般的scrapy请求方式,每次只能获取最新的10条数据,分析其JS请求,发现参数过于复杂,没有规律。如果想获取更多数据,则需要采用模拟浏览器的方法,这时候selenium就派上用场了。
1,定义spider
模拟从百度搜索进入,这个步骤可以省略,主要为了跳到parse函数
classUCTouTiaoSpider(VideoBaseSpider): name="uctoutiao_spider" df_keys=['人物','百科','乌镇'] def__init__(self,scrapy_task_id=None,*args,**kwargs): self.url_src="http://www.baidu.com" defstart_requests(self): requests=[] request=scrapy.Request("http://www.baidu.com",callback=self.parse) requests.append(request) returnrequests |
2,parse函数
defparse(self,response): self.log(response.url) urls=["https://news.uc.cn/", "https://news.uc.cn/c_redian/", #"https://news.uc.cn/c_shipin/", #"https://news.uc.cn/c_gaoxiao/", "https://news.uc.cn/c_shehui/", "https://news.uc.cn/c_yule/", "https://news.uc.cn/c_keji/", "https://news.uc.cn/c_tiyu/", "https://news.uc.cn/c_qiche/", "https://news.uc.cn/c_caijing/", "https://news.uc.cn/c_junshi/", "https://news.uc.cn/c_tansuo/", "https://news.uc.cn/c_lishi/", "https://news.uc.cn/c_youxi/", "https://news.uc.cn/c_lvyou/", "https://news.uc.cn/news/", "https://news.uc.cn/c_shishang/", "https://news.uc.cn/c_jiankang/", "https://news.uc.cn/c_guoji/", "https://news.uc.cn/c_yuer/", "https://news.uc.cn/c_meishi/"] #启动浏览器,这里用的火狐,如果在linux环境下可以用PhantomJS,稳定性稍微差点,有内存泄露的风险。 driver=webdriver.Firefox() forurlinurls: try: print(url) driver.get(url) #模拟鼠标滚到底部(加载100条数据) for_inrange(10): driver.execute_script("window.scrollTo(0,document.body.scrollHeight)") driver.implicitly_wait(10)#隐性等待,最长10秒 #printdriver.page_source soup=bs(driver.page_source,'lxml') articles=soup.find_all(href=re.compile("/a_\w+?/"),text=re.compile(".+")) forarticleinarticles: forkeyinself.df_keys: item=VideoItem()#自定义的Item item['title']=article.text item['href']=article['href'] self.log(item) yielditem exceptExceptionase: printe ifdriver==None: driver=webdriver.Firefox() ifdriver!=None: driver.quit() |
真正的实现部分比较简单,几句代码就搞定了。
附:
selenium使用实例
1,切换焦点至新窗口
在页面上点击一个button,然后打开了一个新的window,将当前IWebDriver的focus切换到新window,使用IWebDriver.SwitchTo().Window(stringwindowName)。
例如,我点击按钮以后弹出一个名字叫做”ContentDisplay”的window,要切换焦点到新窗口的方法是,首先,获得新window的windowname,大家不要误以为pagetile就是windowname哦,如果你使用driver.SwitchTo().Window(“ContentDisplay”)是找不到windowname叫做”ContentDisplay”的窗口的,其实WindowName是一长串数字,类似“59790103-4e06-4433-97a9-b6e519a84fd0”。
要正确切换到”ContentDisplay”的方法是:
获得当前所有的WindowHandles。
循环遍历到所有的window,查找window.title与”ContentDisplay”相符的window返回。
forhandleindr.window_handles: dr.switch_to.window(handle) printdr.title iflen(dr.title)=='目标窗口标题': break |
参考:Selenium-IWebDriver.SwitchTo()frame和Window的用法
2,移至底部
driver.execute_script("window.scrollTo(0,document.body.scrollHeight)")
3,移动至指定元素
某些按钮点击时必须可见,于是要把屏幕移动到按钮可见的区域
element=driver.find_element_by_xpath("//a[@class='p-next']") element.location_once_scrolled_into_view #或者 driver.set_window_size(800,800) element=driver.find_element_by_xpath("//a[@class='p-next']") js="window.scrollTo({},{});".format(element.location['x'],element.location['y']-100) driver.execute_script(js) |
上文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。