selenium+python+BeautifulSoup爬取知乎文章信息

知乎推荐文章页面的爬取是比较复杂的,应为其涉及大量ajax/js解析和知乎的验证码登录,这给爬虫爬取造成了好多麻烦,不过有一款非常强大的工具可以轻松解决这些问题——selenium,它是一款测试工具,不过他也提供了许多爬虫用途,通过它与chrome配合使用,可以模拟浏览器进行登录,同时获取到js渲染后的网站源代码,非常方便。什么都不说了,上代码:

#知乎推荐文章爬取  
#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()  
  
#登录知乎  
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('请手动输入验证码')  
            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)  
  
#滑动页面  
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)  
  
#解析页面  
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:]#话题  
            writer = link.find(class_='AuthorInfo-head').get_text()#作者  
        except:  
            continue  
        try:  
            intd = link.find('div',class_='RichText AuthorInfo-badgeText').string#作者个人介绍  
        except:  
            intd = ''  
        title = link.find('h2',class_='ContentItem-title').get_text()#标题  
        href = 'https://www.zhihu.com' + link.find('h2',class_='ContentItem-title').a['href']#文章链接  
        try:  
            support = link.find(class_='Button VoteButton VoteButton--up').get_text()#点赞  
        except:  
            support = link.find(class_='Button LikeButton ContentItem-action').get_text()#点赞  
        try:  
            talking = r.match(link.find('button',class_='Button ContentItem-action Button--plain').get_text()[:-3]).group()#评论数  
        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,  
            }  
  
#创建一个文件夹  
def make(path):  
    if not os.path.exists(path):  
        os.makedirs(path)  
#保存数据  
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(['标题','作者','话题','作者个人介绍','点赞数','评论数','文章链接','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  
#主函数  
def main(account,password,num):  
    path = 'D:/数据/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('标题:{:<10s}'.format(i['title']))  
        print('作者:{:>3s}'.format(i['writer']),end = ' '*5)  
        print("话题:{:>3s}".format(i['maininf']))  
        print('作者个人介绍:')  
        print('{:<5s}'.format(i['intd']))  
        print('点赞数:{:<2s}'.format(i['support']),end = ' '*5)  
        print("评论数:{:3s}".format(i['talking']))  
        print("文章链接:" + i['href'])  
        print("摘要:")  
        print('{:<5s}'.format(i['content']))  
        print('---' *43)  
    save_to_csv(inf,path)  
  
  
  
#执行程序  
if __name__ == '__main__':  
    num = int(input('请输入要爬取的页面数:'))  
    account = input("请输入知乎账号:")  
    password = input("请输入知乎密码:")  
    time_start = time.time()  
    main(account,password,num)  
    print("^^^"*43)  
    print("共耗时{}秒".format(time.time()-time_start))  
    driver.quit()  

爬取的结果得到了文章概要信息,可以做一个文章信息的参考。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,222评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,455评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,720评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,568评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,696评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,879评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,028评论 3 409
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,773评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,220评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,550评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,697评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,360评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,002评论 3 315
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,782评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,010评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,433评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,587评论 2 350

推荐阅读更多精彩内容

  • Android 自定义View的各种姿势1 Activity的显示之ViewRootImpl详解 Activity...
    passiontim阅读 171,825评论 25 707
  • 爬虫文章 in 简书程序员专题: like:128-Python 爬取落网音乐 like:127-【图文详解】py...
    喜欢吃栗子阅读 21,744评论 4 412
  • 在这个炎热的夏夜里,却突然想起了几年前高中时代的冬天晚上。那时候自己住在一间小南屋里,每天十点下晚自习,一回到那儿...
    投稿圈阅读 211评论 0 1
  • 没以“闭月羞花之貌,沉鱼落雁之容”著称,却以绝世才情,让人念念不忘,她就是宋代女词人,婉约派代表,号称“易安居士”...
    田园执笔阅读 519评论 2 1
  • 那么许多东西你都要重新定义。 比如, 什么叫生活? 并不是有钱了,住豪宅,开豪车,这才叫生活。生活的美,在身边的点...
    Powerangli阅读 374评论 0 4