selenium+python+BeautifulSoup爬取知乎文章信息

知乎推薦文章頁面的爬取是比較復雜的,應為其涉及大量ajax/js解析和知乎的驗證碼登錄,這給爬蟲爬取造成了好多麻煩,不過有一款非常強大的工具可以輕松解決這些問題——selenium,它是一款測試工具,不過他也提供了許多爬蟲用途,通過它與chrome配合使用,可以模擬瀏覽器進行登錄,同時獲取到js渲染后的網站源代碼,非常方便。什么都不說了,上代碼:

#知乎推薦文章爬取  
#2017/8/6  
# -*- encoding = utf-8 -*-  
  
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.common.exceptions import TimeoutException  
from selenium.common.exceptions import NoSuchElementException  
from bs4 import BeautifulSoup  
import csv  
import os  
import time  
import re  
  
driver = webdriver.Chrome()  
  
#登錄知乎  
def putcookies(account,password):  
    try:  
        driver.get('https://www.zhihu.com/#signin')  
        WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.CSS_SELECTOR, "body > div.index-main > div > div.desk-front.sign-flow.clearfix.sign-flow-simple > div.index-tab-navs > div > a.active")))  
        botton = driver.find_element_by_css_selector('body > div.index-main > div > div.desk-front.sign-flow.clearfix.sign-flow-simple > div.view.view-signin > div.qrcode-signin-container > div.qrcode-signin-step1 > div.qrcode-signin-cut-button > span')  
        botton.click()  
        form = driver.find_element_by_css_selector('body > div.index-main > div > div.desk-front.sign-flow.clearfix.sign-flow-simple > div.view.view-signin > form > div.group-inputs > div.account.input-wrapper > input[type="text"]')  
        pas = driver.find_element_by_css_selector('body > div.index-main > div > div.desk-front.sign-flow.clearfix.sign-flow-simple > div.view.view-signin > form > div.group-inputs > div.verification.input-wrapper > input[type="password"]')  
        sub = driver.find_element_by_css_selector('body > div.index-main > div > div.desk-front.sign-flow.clearfix.sign-flow-simple > div.view.view-signin > form > div.button-wrapper.command > button')  
        form.send_keys(account)  
        pas.send_keys(password)  
        sub.click()  
        try:  
            print('請手動輸入驗證碼')  
            driver.implicitly_wait(10)  
            driver.find_element_by_css_selector('#root > div > div:nth-child(2) > header > div > div.SearchBar > button')  
        except NoSuchElementException:    
            sub.click()  
    except:  
        putcookies(account,password)  
  
#滑動頁面  
def change_page(num):  
    WebDriverWait(driver,10).until(EC.presence_of_element_located((By.CSS_SELECTOR,'#root > div > div:nth-child(2) > header > div > div.SearchBar > button')))  
    for i in range(num):  
        driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')    
        time.sleep(3)  
  
#解析頁面  
def findinf(html):  
    soup = BeautifulSoup(html,'lxml')  
    r = re.compile('(\d+)')  
    links = soup.find_all('div',class_='Card TopstoryItem')  
    for link in links:  
        try:  
            maininf = link.find(class_='Feed-meta-item').get_text()[-3:]#話題  
            writer = link.find(class_='AuthorInfo-head').get_text()#作者  
        except:  
            continue  
        try:  
            intd = link.find('div',class_='RichText AuthorInfo-badgeText').string#作者個人介紹  
        except:  
            intd = ''  
        title = link.find('h2',class_='ContentItem-title').get_text()#標題  
         + link.find('h2',class_='ContentItem-title').a['href']#文章鏈接  
        try:  
            support = link.find(class_='Button VoteButton VoteButton--up').get_text()#點贊  
        except:  
            support = link.find(class_='Button LikeButton ContentItem-action').get_text()#點贊  
        try:  
            talking = r.match(link.find('button',class_='Button ContentItem-action Button--plain').get_text()[:-3]).group()#評論數  
        except:  
            talking = ''  
        content = link.find('span',class_='RichText CopyrightRichText-richText').get_text()#摘要  
        yield  {  
                'maininf': maininf,  
                'writer':writer,  
                'intd':intd,  
                'title':title,  
                'support':support,  
                'talking':talking,  
                'content':content,  
                'href':href,  
            }  
  
#創建一個文件夾  
def make(path):  
    if not os.path.exists(path):  
        os.makedirs(path)  
#保存數據  
def save_to_csv(inf,path):  
    with open(path + '知乎文章信息概要采集.csv','a') as f:  
        writer = csv.writer(f)  
        writer.writerow(['標題','作者','話題','作者個人介紹','點贊數','評論數','文章鏈接','摘要'])  
        try:  
            for i in inf:  
                writer.writerow([i['title'],i['writer'],i['maininf'],i['intd'],i['support'],i['talking'],i['href'],i['content']])  
        except:  
            pass  
#主函數  
def main(account,password,num):  
    path = 'D:/數據/知乎文章/'  
    putcookies(account,password)  
    change_page(num)     
    inf = findinf(driver.page_source)  
    make(path)  
    print('---'*43)  
    print('{:^60}'.format('知乎文章概要'))  
    print("***"*43)  
    for i in findinf(driver.page_source):  
        print('標題:{:<10s}'.format(i['title']))  
        print('作者:{:>3s}'.format(i['writer']),end = ' '*5)  
        print("話題:{:>3s}".format(i['maininf']))  
        print('作者個人介紹:')  
        print('{:<5s}'.format(i['intd']))  
        print('點贊數:{:<2s}'.format(i['support']),end = ' '*5)  
        print("評論數:{:3s}".format(i['talking']))  
        print("文章鏈接:" + i['href'])  
        print("摘要:")  
        print('{:<5s}'.format(i['content']))  
        print('---' *43)  
    save_to_csv(inf,path)  
  
  
  
#執行程序  
if __name__ == '__main__':  
    num = int(input('請輸入要爬取的頁面數:'))  
    account = input("請輸入知乎賬號:")  
    password = input("請輸入知乎密碼:")  
    time_start = time.time()  
    main(account,password,num)  
    print("^^^"*43)  
    print("共耗時{}秒".format(time.time()-time_start))  
    driver.quit()  

爬取的結果得到了文章概要信息,可以做一個文章信息的參考。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,002評論 6 542
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,400評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,136評論 0 383
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,714評論 1 317
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,452評論 6 412
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 55,818評論 1 328
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,812評論 3 446
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,997評論 0 290
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,552評論 1 335
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,292評論 3 358
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,510評論 1 374
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,035評論 5 363
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,721評論 3 348
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,121評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,429評論 1 294
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,235評論 3 398
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,480評論 2 379

推薦閱讀更多精彩內容

  • Android 自定義View的各種姿勢1 Activity的顯示之ViewRootImpl詳解 Activity...
    passiontim閱讀 172,722評論 25 708
  • 爬蟲文章 in 簡書程序員專題: like:128-Python 爬取落網音樂 like:127-【圖文詳解】py...
    喜歡吃栗子閱讀 21,907評論 4 411
  • 在這個炎熱的夏夜里,卻突然想起了幾年前高中時代的冬天晚上。那時候自己住在一間小南屋里,每天十點下晚自習,一回到那兒...
    投稿圈閱讀 229評論 0 1
  • 沒以“閉月羞花之貌,沉魚落雁之容”著稱,卻以絕世才情,讓人念念不忘,她就是宋代女詞人,婉約派代表,號稱“易安居士”...
    田園執筆閱讀 541評論 2 1
  • 那么許多東西你都要重新定義。 比如, 什么叫生活? 并不是有錢了,住豪宅,開豪車,這才叫生活。生活的美,在身邊的點...
    Powerangli閱讀 386評論 0 4