python爬虫爬取雪球网_Python爬虫:Selenium+ BeautifulSoup 爬取JS渲染的动态内容(雪球网新闻)...
最近要有一个任务,要爬取https://xueqiu.com/#/cn 网页上的文章,作为后续自然语言处理的源数据。
爬取目标:下图中红色方框部分的文章内容。(需要点击每篇文章的链接才能获得文章内容)
注:该文章仅介绍爬虫爬取新闻这一部分,爬虫语言为Python。
乍一看,爬虫的实现思路很简单:
(1)从原始页面https://xueqiu.com/#/cn上爬取各篇文章的URL
(2)通过第一步所获得的各篇文章的URL,抓取文章内容。
但是发现简单使用urllib2.urlopen()并不能获得红框部分的数据,原因是该部分数据是通过JS动态加载的。
最终发现可以采用Selenium框架来抓取动态数据。Selenium原本是Web测试工具,在Python爬虫中,可以使用它来模拟真实浏览器对URL进行访问,Selenium支持的浏览器包括Firefox、Chrome、Opera、Edge、IE 等。在此我使用的是Firefox浏览器。
Python爬虫脚本如下,可以参考注释来理解代码:
# coding=utf-8
import time
import Queue
import pymongo
import urllib2
import threading
from bs4 import BeautifulSoup
from BeautifulSoup import *
from selenium import webdriver
from selenium.webdriver.common.by import By
# 连接本地MongoDB数据库
client = pymongo.MongoClient()
# 数据库名为shsz_news
db = client.shsz_news
# collection名为news
collection = db.news
# 文章存储数据结构为:标题 作者 文章发布时间 阅读量 文章内容
# title author timestamp read content
class Article:
title = ""
url = ""
author = ""
timestamp = ""
read = 0
content = ""
def __init__(self, title, url, author, timestamp, read, content):
self.title = title
self.url = url
self.author = author
self.timestamp = timestamp
self.read = read
self.content = content
# 参数为:点击多少次"加载更多"
# 返回值为文章的url列表,数据总条数为:50 + 15 * num
def get_article_url(num):
browser = webdriver.Firefox()
browser.maximize_window()
browser.get('http://xueqiu.com/#/cn')
time.sleep(1)
# 将屏幕上滑4次,之后会出现“加载更多”按钮——此时有50篇文章
for i in range(1, 5):
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
time.sleep(1)
# 点击num次“加载更多”——每次点击会加载15篇新闻
for i in range(num):
# 找到加载更多按钮,点击
browser.find_element(By.LINK_TEXT, "加载更多").click()
time.sleep(1)
soup = BeautifulSoup(browser.page_source)
# 解析html,获取文章列表
article_queue = parse_html(soup)
browser.close()
return article_queue
# 解析html,返回Article的队列
def parse_html(soup):
article_queue = Queue.Queue()
article_divs = soup.findAll('div', {'class': 'home__timeline__item'})
if article_divs is not None:
for article_div in article_divs:
# 获取文章url
url = dict(article_div.h3.a.attrs)['href']
article_url = 'https://xueqiu.com' + url
# 获取文章标题
article_title = article_div.h3.a.string
# 获取文章作者
article_author = article_div.find('a', {'class': 'user-name'}).string
# 获取文章发布时间
article_timestamp = article_div.find('span', {'class': 'timestamp'}).string
# 获取文章阅读量
article_read = article_div.find('div', {'class': 'read'}).string
# 构造article对象,添加到article_queue队列中
article = Article(url=article_url, title=article_title, author=article_author,
timestamp=article_timestamp, read=article_read, content='')
article_queue.put(article)
return article_queue
# 获取文章内容的线程
class GetContentThread(threading.Thread):
def __init__(self, article_queue):
threading.Thread.__init__(self)
self.url_queue = article_queue
def run(self):
count = 0;
while 1:
try:
count += 1
# 打印每个线程的处理进度...
if count % 100 == 0:
print count
article = self.url_queue.get()
# 获取文章url
article_url = article.url
request = urllib2.Request(article_url)
request.add_header('User-Agent', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6')
response = urllib2.urlopen(request, timeout=10)
chunk = response.read()
soup = BeautifulSoup(chunk)
# 将文章内容解析出来
content = soup.find('div', {'class': 'detail'})
# 需要使用str()函数,否则无法保存到mongoDB中
article.content = str(content)
try:
# 将article信息写入mongoDB数据库
collection.save(article.__dict__)
except Exception, e:
# 该方法提示q.join()是否停止阻塞
self.url_queue.task_done()
# 将该文章重新放入队列
self.url_queue.put(article)
print "Save into MongoDB error!Let's make a comeback "
# 该方法提示q.join()是否停止阻塞
self.url_queue.task_done()
except Exception, e:
# 该方法提示q.join()是否停止阻塞
self.url_queue.task_done()
print 'get content wrong! ', e, '\n'
# 出现异常,将异常信息写入文件
file1 = open('get_content_wrong.txt', 'a')
file1.write(str(article.title) + '\n')
file1.write(str(article.url) + '\n')
file1.write(str(e) + '\n')
file1.close()
if '404' in str(e):
print 'URL 404 Not Found:', article.url
# 如果错误信息中包含 'HTTP' or 'URL' or 'url' ,将该地址重新加入队列,以便稍后重新尝试访问
elif 'HTTP' or 'URL' or 'url' in str(e):
self.url_queue.put(article)
print "Let's make a comeback "
continue
def main():
# 获得所有的文章,并将它们放入队列中
article_queue = get_article_url(150)
# 创建10个线程,获取所有文章的具体内容,并写入mongoDB数据库
for i in range(10):
gct = GetContentThread(article_queue)
gct.setDaemon(True)
gct.start()
# 等待队列中的所有任务完成
article_queue.join()
main()
python爬虫爬取雪球网_Python爬虫:Selenium+ BeautifulSoup 爬取JS渲染的动态内容(雪球网新闻)...相关推荐
- Python爬虫:Selenium+ BeautifulSoup 爬取JS渲染的动态内容(雪球网新闻)
最近要有一个任务,要爬取https://xueqiu.com/#/cn 网页上的文章,作为后续自然语言处理的源数据. 爬取目标:下图中红色方框部分的文章内容.(需要点击每篇文章的链接才能获得文章内容) ...
- python 淘宝搜索_Python使用Selenium+BeautifulSoup爬取淘宝搜索页
使用Selenium驱动chrome页面,获得淘宝信息并用BeautifulSoup分析得到结果. 使用Selenium时注意页面的加载判断,以及加载超时的异常处理. import json impo ...
- python爬虫爬取b站_python爬虫11 | 这次,将带你使用python爬取b站上的NBA形象大使蔡徐坤和他的球友们-Go语言中文社区...
在上一篇中 小帅b给大家透露了我们这篇要说的牛逼利器 selenium + phantomjs 如果你看了 那么你应该知道 selenium 是什么了 它能做到自动操作 比如我们上次说的自动百度苍老师 ...
- python爬取小说基本信息_Python爬虫零基础实例---爬取小说吧小说内容到本地
Python爬虫实例--爬取百度贴吧小说 写在前面本篇文章是我在简书上写的第一篇技术文章,作为一个理科生,能把仅剩的一点文笔拿出来献丑已是不易,希望大家能在指教我的同时给予我一点点鼓励,谢谢. 一.介 ...
- python爬取网页停止_Python爬虫之爬取静态网页
所谓网络爬虫,通俗的讲,就是通过向我们需要的URL发出http请求,获取该URL对应的http报文主体内容,之后提取该报文主体中我们所需要的信息.所以,想要学习python爬虫,需要具备一些http的 ...
- python爬取bilibili弹幕_Python爬虫爬取Bilibili弹幕过程解析
先来思考一个问题,B站一个视频的弹幕最多会有多少? 比较多的会有2000条吧,这么多数据,B站肯定是不会直接把弹幕和这个视频绑在一起的. 也就是说,有一个视频地址为https://www.bilibi ...
- python爬取cctalk视频_python爬虫urllib使用和进阶 | Python爬虫实战二
python爬虫urllib使用和进阶 上节课已经介绍了爬虫的基本概念和基础内容,接下来就要开始内容的爬取了. 其实爬虫就是浏览器,只不过它是一个特殊的浏览器.爬取网页就是通过HTTP协议访问相应的网 ...
- python爬取数据步骤_Python爬虫爬取数据的步骤
爬虫: 网络爬虫是捜索引擎抓取系统(Baidu.Google等)的重要组成部分.主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份. 步骤: 第一步:获取网页链接 1.观察需要爬取的多 ...
- python爬取空气质量指标_python爬虫之静态网页——全国空气质量指数(AQI)爬取
首先爬取地址:http://www.air-level.com/ 利用的python库,最近最流行的requests,BeautifulSoup. requests:用于下载html Beautifu ...
- python爬取头条图集_Python爬虫基础练习(六) 今日头条街头篮球图片爬取
今天我们要爬取的仍然是图片,不过与上一篇有所不一样的是,今天爬取的是今日头条上的图集,接着往下看吧~ 运行平台:Windows Python版本:Python3.6 IDE: Sublime Text ...
最新文章
- Android设备adb授权的原理【转】
- 开源监控系统 Prometheus 入门
- asp.net type=file前后台合作 在上传图片到服务器
- java-数据结构-续
- 【教女朋友学网络系列4】之今天教她一些简单的交换机实验
- 如何识别是三层交换机还是二层交换机
- Ayoa:让思维导图更简单,在线使用 无需安装客户端
- 【原】Web Polygraph 安装
- scala连接mongodb_MongoDB 的用户配置与基于Scala的使用
- 《Java语言程序设计》(基础篇原书第10版)第十三章复习题答案
- android手机录屏工具,安卓手机上有什么好用的屏幕录屏软件可以推荐?
- 记录淘宝里的点点滴滴
- 编程实现英语句子按单词倒叙-C语言
- linux木马查杀工具,【Kali】linux木马查杀
- Springboot实现定时任务调度
- (附源码)SSM学科竞赛赛场安排系统JAVA计算机毕业设计项目
- 腾讯云域名的报价表收费标准和活动报价
- python 操作微信_利用 Python 实现微信半自动化操作
- 19.通证的分类(各种分类一览表)
- 盘点IT行业“中国式合伙人”的离合春秋
热门文章
- 5G牌照发放 ,手机产业将迎来第二春
- 解决Oracle使用in语句不能超过1000问题
- PHP(euc) + Smarty(euc) で、UTF-8やSJIS出力する方法(解決策とまとめ)
- 贴心 | GXF Fix 修复 / 优化基因结构注释信息文件 - GTF/GFF3
- 蓝桥杯之桥本分数式(全排列函数应用)
- oracle数据库一个汉字占几个字节
- 不知道rar压缩包密码可以解密么,rar压缩包有密码怎么解开?
- 阿里云服务器配置DNS域名解析
- 51单片机~蜂鸣器,数码管的使用
- 什么是 Docker ?