675
gooseeker集搜客
Python爬蟲實戰（4）：豆瓣小組話題數據采集—動態網頁
1，引言
注釋：上一篇《Python爬蟲實戰（3）：安居客房產經紀人信息采集》，訪問的網頁是靜態網頁，有朋友模仿那個實戰來采集動態加載豆瓣小組的網頁，結果不成功。本篇是針對動態網頁的數據采集編程實戰。
Python開源網絡爬蟲項目啟動之初，我們就把網絡爬蟲分成兩類：即時爬蟲和收割式網絡爬蟲。為了適應各種應用場景，GooSeeker的整個網絡爬蟲產品線包含了四類產品，如下圖所示：
本實戰是上圖中的“獨立python爬蟲”的一個實例，以采集豆瓣小組討論話題(https://www.douban.com/group/haixiuzu/discussion?start=0 )信息為例，記錄整個采集流程，包括python和依賴庫的安裝，即便是python初學者，也可以跟著文章內容成功地完成運行。
2，Python和相關依賴庫的安裝
- 運行環境：Windows10
2.1，安裝Python3.5.2
- 官網下載鏈接: https://www.python.org/ftp/python/3.5.2/python-3.5.2.exe
- 下載完成後，雙擊安裝。
- 這個版本會自動安裝pip和setuptools，方便安裝其它的庫
2.2，Lxml 3.6.0
- Lxml官網地址: https://lxml.de/
- Windows版安裝包下載: https://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
- 對應windows下python3.5的安裝文件為 lxml-3.6.0-cp35-cp35m-win32.whl
- 下載完成後，在windows下打開一個命令窗口,，切換到剛下載的whl文件的存放目錄，運行pip install lxml-3.6.0-cp35-cp35m-win32.whl
2.3，下載網頁內容提取器程序
網頁內容提取器程序是GooSeeker為開源Python即時網絡爬蟲項目發布的一個類，使用這個類，可以大大減少數據采集規則的調試時間，具體參看《Python即時網絡爬蟲項目: 內容提取器的定義》
- 下載地址: https://github.com/FullerHua/gooseeker/core/gooseeker.py
- 把gooseeker.py保存在項目目錄下
2.4，安裝selenium
- pip install selenium
2.5，PhantomJS下載
- 下載地址 https://phantomjs.org/download.html
- 把下載得到的phantomjs-2.1.1-windows.zip解壓到本機的某個文件夾下
- 把解壓後的文件夾中的phantomjs.exe的完整路徑加文件名記錄下來，用來替換下麵代碼的 browser = webdriver.PhantomJS(executable_path='C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe') 這一行中的兩個單引號之間的內容。
3，網絡爬蟲的源代碼
# _*_coding:utf8_*_
# douban.py
# 爬取豆瓣小組討論話題
from urllib import request
from lxml import etree
from gooseeker import GsExtractor
from selenium import webdriver
class PhantomSpider:
def getContent(self, url):
browser = webdriver.PhantomJS(executable_path='C:\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe')
browser.get(url)
time.sleep(3)
html = browser.execute_script("return document.documentElement.outerHTML")
output = etree.HTML(html)
return output
def saveContent(self, filepath, content):
file_obj = open(filepath, 'w', encoding='UTF-8')
file_obj.write(content)
file_obj.close()
doubanExtra = GsExtractor()
# 下麵這句調用gooseeker的api來設置xslt抓取規則
# 第一個參數是app key，請到GooSeeker會員中心申請
# 第二個參數是規則名，是通過GooSeeker的圖形化工具: 謀數台MS 來生成的
doubanExtra.setXsltFromAPI("ffd5273e213036d812ea298922e2627b" , "豆瓣小組討論話題")
url = "https://www.douban.com/group/haixiuzu/discussion?start="
totalpages = 5
doubanSpider = PhantomSpider()
print("爬取開始")
for pagenumber in range(1 , totalpages):
currenturl = url + str((pagenumber-1)*25)
print("正在爬取", currenturl)
content = doubanSpider.getContent(currenturl)
outputxml = doubanExtra.extract(content)
outputfile = "result" + str(pagenumber) +".xml"
doubanSpider.saveContent(outputfile , str(outputxml))
print("爬取結束")運行過程如下:
- 將上麵的代碼保存到douban.py中，和前麵2.3步下載的提取器類gooseeker.py放在同一個文件夾中
- 打開Windows CMD窗口，切換當前目錄到存放douban.py的路徑(cd \xxxx\xxx)
- 運行 python douban.py
請注意：為了讓源代碼更整潔，也為了讓爬蟲程序更有通用性，抓取規則是通過api注入到內容提取器bbsExtra中的，這樣還有另外一個好處：如果目標網頁結構變化了，隻需通過MS謀數台重新編輯抓取規則，而本例的網絡爬蟲代碼不用修改。為內容提取器下載采集規則的方法參看《Python即時網絡爬蟲：API說明—下載內容提取器》。
4，爬蟲結果
在項目目錄下可以看到多個result**.xml文件，文件內容如下圖所示：
5，總結
因為信息采集規則是通過api下載下來的，所以，本案例的源代碼顯得十分簡潔。同時，整個程序框架變得很通用，因為最影響通用性的采集規則是從外部注入的。
6，集搜客GooSeeker開源代碼下載源
- GooSeeker開源Python即時網絡爬蟲GitHub源
7，文檔修改曆史
- 2016-07-14：V1.0
若有疑問可以或
最後更新：2017-01-09 14:08:09