[Python爬虫] Selenium+Phantomjs动态获取CSDN下载资源信息和评论

前面几篇文章介绍了Selenium、PhantomJS的基础知识及安装过程，这篇文章是一篇应用。通过Selenium调用Phantomjs获取CSDN下载资源的信息，最重要的是动态获取资源的评论，它是通过JavaScript动态加载的，故通过Phantomjs模拟浏览器加载获取。
        希望该篇基础性文章对你有所帮助，如果有错误或不足之处，请海涵~
        [Python爬虫] 在Windows下安装PhantomJS和CasperJS及入门介绍(上)
        [Python爬虫] 在Windows下安装PIP+Phantomjs+Selenium
        [Python爬虫] Selenium自动访问Firefox和Chrome并实现搜索截图
        [Python爬虫] Selenium实现自动登录163邮箱和Locating Elements介绍

源代码

 # coding=utf-8  
 
 from selenium import webdriver
 from selenium.webdriver.common.keys import Keys
 import selenium.webdriver.support.ui as ui
 from selenium.webdriver.common.action_chains import ActionChains
 import time
 import re
 import os  
 
 #打开Firefox浏览器 设定等待加载时间 访问URL
 driver = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")
 driver_detail = webdriver.PhantomJS(executable_path="G:\phantomjs-1.9.1-windows\phantomjs.exe")
 wait = ui.WebDriverWait(driver,10)
 driver.get("http://download.csdn.net/user/eastmount/uploads")
 SUMRESOURCES = 0 #全局变量 记录资源总数(尽量避免)  
 
 #获取列表页数 <div class="page_nav>共46个 共8页..</div>  def getPage():      number = 0      wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='page_nav']"))
     texts = driver.find_element_by_xpath("//div[@class='page_nav']").text
     print texts
     m = re.findall(r'(\w*[0-9]+)\w*',texts) #正则表达式寻找数字
     print '页数：' + str(m[1])
     return int(m[1])  
 
 #获取URL和文章标题
 def getURL_Title(num):
     global SUMRESOURCES
     url = 'http://download.csdn.net/user/eastmount/uploads/' + str(num)
     print unicode('下载列表URL: ' + url,'utf-8')
     '''''
     ' 等待最下面页面加载成功 获取URL和标题
     ' 源码
     ' <div class='list-container mb-bg'>
     '     <dl>
     '        <dt>
     '           <div class="icon"><img src="xxx"></img></div>
     '           <h3><a href="/detail/eastmount/8757243">MFC显示BMP图片</a></h3>
     '        </dt>
     '     </dl>
     ' </div>
     ' get_attribute('href')获取URL且自动补齐
     ' unicode防止报错 - s.encode('utf8')unicode转换成utf8编码 decode表示utf8转换成unicode
     '''
     driver.get(url)
     wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='page_nav']"))
     list_container = driver.find_elements_by_xpath("//div[@class='list-container mb-bg']/dl/dt/h3/a")
     for title in list_container:
         print 'Num' + str(SUMRESOURCES +1)
         print u'标题: ' + title.text
         print u'链接: ' + title.get_attribute('href')
         SUMRESOURCES = SUMRESOURCES +1
         #
         #获取具体内容和评论
         getDetails( str(title.get_attribute('href')) )
     else:
         print ' ' #换行  
 
 #获取详细信息 因前定义的driver正在使用中 故调用driver_detail
 #否则报错 Message: Error Message => 'Element does not exist in cache'
 def getDetails(url):
     #获取infobox
     driver_detail.get(url)
     details = driver_detail.find_element_by_xpath("//div[@class='info']").text
     print details
     #加载评论 <dl><dt></dt><dd></dd></dl>
     comments = driver_detail.find_elements_by_xpath("//dl[@class='recom_list']/dd")
     for com in comments:
         print u'评论：' + com.text
     else:
         print ' ' #换行  
 
 #主函数
 def main():
     start = time.clock()
     pageNum = getPage()
     i=1
     #循环获取标题和URL
     while(i<=pageNum):
         getURL_Title(i)
         i = i + 1
     else:
         print 'SUmResouces: ' + str(SUMRESOURCES)
         print 'Load Over'
     end = time.clock()
     print "Time: %f s" % (end - start)  
 
 main()  

代码实现步骤

1.首先获取页面总数，通过getPage()函数实现；
        2.每个页面有一列资源，通过driver的find_element_by_xpath()路径获取标题和get_attribute('href')函数获取URL，它会自动补齐链接；
        3.根据步骤2获取资源的URL，去到具体资源获取消息框和评论信息；
        4.由于采用Phantomjs无界面浏览器加载页面，故获取class=info和recom_list的div即可。

运行结果

运行结果如下图所示：

程序分析

首先获取如下图所示的页面总数，此时为“8”页。它通过如下代码实现：
        texts = driver.find_element_by_xpath("//div[@class='page_nav']").text
        然后再while(i<=8)依次遍历每页的资源，每页资源的URL链接为：
        http://download.csdn.net/user/eastmount/uploads/8

再获取每页所有资源的标题及URL，通过代码如下：

 list_container = driver.find_elements_by_xpath("//div[@class='list-container mb-bg']/dl/dt/h3/a")
 for title in list_container:
     print 'Num' + str(SUMRESOURCES +1)
     print u'标题: ' + title.text
     print u'链接: ' + title.get_attribute('href')  

其中对应的源码如下所示，通过获取find_elements_by_xpath()获取多个元素，其div的class='list-container mb-bg'，同时路径为<div><dl><dt><h3><a>即可。同时自动补齐URL，如：
        <a href='/detail/eastmount/6917799'会添加“http://download.csdn.net/”。

最后在进入具体的资源获取相应的消息盒InfoBox和评论信息，由于通过模拟Phantomjs浏览器直接可以显示动态JS评论信息。

而如果通过BeautifulSoup只能获取的HTML源码如下，并没有JS信息。因为它是动态加载的，这就体现了Phantomjs的优势。而通过Chrome或FireFox浏览器审查元素能查看具体的评论div，这也是模拟浏览器的用处所在吧！
        可对比前面写过的文章：[Python学习] 简单爬取CSDN下载资源信息

<div class="section-list panel panel-default">
   <div class="panel-heading">
      <h3 class="panel-title">资源评论</h3>
   </div>
   <!-- recommand -->
   <script language='JavaScript' defer type='text/javascript' src='/js/comment.js'></script>
   <div class="recommand download_comment panel-body" sourceid="8772951"></div>
</div>

总结

这篇文章主要讲述通过Selenium和Phantomjs获取CSDN下载资源信息的过程，其中由于driver调用Chrome或FireFox浏览器总会有额外空间增加，故调用Phantomjs无界面浏览器完成。同时有几个问题：
            1.如何避免Phantomjs的黑框弹出；
            2.程序的运行时间比较低，响应时间较慢，如何提高？
        接下来如果有机会准备尝试的内容包括：
            1.下载百度百科的旅游地点InfoBox（毕设知识图谱挖掘）；
            2.如何爬取搜狐图片的动态加载图片，完成智能爬图工具；
            3.当需要自动登录时driver访问Chrome或FireFox浏览器发送消息。
        最后希望文章对你有所帮助吧！如果有错误或不足之处，还请海涵~
      （By:Eastmount 2015-8-24 深夜2点半   http://blog.csdn.net/eastmount/）