Python开发爬虫之动态网页抓取篇：爬取博客评论数据—

区别于上篇动态网页抓取，这里介绍另一种方法，即使用浏览器渲染引擎。直接用浏览器在显示网页时解析 HTML、应用 CSS 样式并执行 JavaScript 的语句。

这个方法在爬虫过程中会打开一个浏览器加载该网页，自动操作浏览器浏览各个网页，顺便把数据抓下来。用一句简单而通俗的话说，就是使用浏览器渲染方法将爬取动态网页变成爬取静态网页。

我们可以用 Python 的 Selenium 库模拟浏览器完成抓取。Selenium 是一个用于Web 应用程序测试的工具。Selenium 测试直接运行在浏览器中，浏览器自动按照脚本代码做出单击、输入、打开、验证等操作，就像真正的用户在操作一样。

通过Selenium模拟浏览器抓取。最常用的是 Firefox，因此下面的讲解也以 Firefox 为例，在运行之前需要安装 Firefox 浏览器。

以爬取《Python 网络爬虫：从入门到实践》一书作者的个人博客评论为例。网址：http://www.santostang.com/2017/03/02/hello-world/

在运行下列代码时，一定要留意自己网络是否畅通，如果网络不好造成浏览器不能正常打开网页及其评论数据，就可能造成爬取失败。

1）找到评论的HTML代码标签。使用Chrome打开该文章页面，右键点击页面，打开“检查”选项。定位到评论数据。此处定位到的评论数据即是浏览器渲染后的数据位置，如图：

2）尝试获取一条评论数据。在原来打开页面的代码数据上，我们可以使用以下代码，获取第一条评论数据。在下面代码中，driver.find_element_by_css_selector是用CSS选择器查找元素，找到class为’reply-content’的div元素；find_element_by_tag_name则是通过元素的tag去寻找，意思是找到comment中的p元素。最后，再输出p元素中的text文本。

更多代码含义和使用规则请参见官网API和Navigating：http://selenium-python.readthedocs.io/index.html

8）关于driver.switch_to.frame(driver.find_element_by_css_selector("iframe[title='livere']"))中的框架定位及title内容。

可在代码中加入driver.page_source，并且注释掉driver.switch_to.frame(driver.find_element_by_css_selector("iframe[title='livere']"))。可在输出内容中找到（若输出杂乱，不好找出相关内容，可将其复制黏贴到文本文件中，使用Notepad++打开，该软件有前后标签对应显示功能）：

（此处只截取了相关内容的末尾部分）

若使用了driver.switch_to.frame(driver.find_element_by_css_selector("iframe[title='livere']"))，而再使用driver.page_source进行相关输出，则发现没有上面的iframe标签，证明我们已经将该框架解析完毕，可以进行相关定位获取元素了。

上面我们只是获取了一条评论，如果要获取所有评论，使用循环获取所有评论。

相关代码：

from selenium import webdriver

from selenium.webdriver.firefox.firefox_binary import FirefoxBinary

import time

caps=webdriver.DesiredCapabilities().FIREFOX

caps["marionette"]=True

binary=FirefoxBinary(r'E:\软件安装目录\装机必备软件\Mozilla Firefox\firefox.exe')

driver=webdriver.Firefox(firefox_binary=binary,capabilities=caps)

driver.get("http://www.santostang.com/2017/03/02/hello-world/")

driver.switch_to.frame(driver.find_element_by_css_selector("iframe[title='livere']"))

time.sleep(60)

for i in range(0,10):

    try:

        load_more=driver.find_element_by_css_selector('div.more-wrapper')

        load_more.click()

    except:

        pass

    time.sleep(5)

comments=driver.find_elements_by_css_selector('div.reply-content')

for eachcomment in comments:

    content=eachcomment.find_element_by_tag_name('p')

    print(content.text)

代码解析：

1）time.sleep(60)

延时60秒执行以下代码。

2）load_more=driver.find_element_by_css_selector('div.more-wrapper')中的参数字符串

打开目标网页，等目标网页整体渲染完之后，右键评论区的“查看更多”。

3）load_more.click()

模拟点击“查看更多”按钮，进行完整显示所有评论。

4）之所以在代码中两次使用延时函数，是因为不同网络状况和不同机器环境下可能在打开网页以及点击“查看更多”按钮后不能马上显示评论，所以代码需要等一等，等到页面完全渲染后，再进行评论区数据的收集工作。

因此各延时函数的延时时间长短可视具体情况灵活设置。

输出结果:

在JS 里面也找不到https://api.gentie.163.com/products/ 哪位大神帮忙解答下。谢谢。

@先生姓张 原来要按照这里的操作才行。。。

在JS 里面也找不到https://api.gentie.163.com/products/ 哪位大神帮忙解答下。谢谢。

@先生姓张 这是网易云上面的一个连接地址，那个服务器都关闭了

在JS 里面也找不到https://api.gentie.163.com/products/ 哪位大神帮忙解答下。谢谢。

测试

为什么我用代码打开的文章只有两条评论，本来是有46条的，有大神知道怎么回事吗？

菜鸟一只，求学习群

lalala1

我来试一试

我来试一试

应该点JS，然后看里面的Preview或者Response，里面响应的是Ajax的内容，然后如果去爬网站的评论的话，点开js那个请求后点Headers -->在General里面拷贝 RequestURL 就可以了

现在死在了4.2节上，页面评论是有的，但是XHR里没有东西啊，这是什么情况？有解决的大神吗？

@骨犬 JS

为何静态网页抓取不了？

奇怪了，我按照书上的方法来操作，XHR也是空的啊

@易君召 我的也是空的

你解决问题了吗

@思い亦深 看JS不是XHR

XHR没有显示任何东西啊。奇怪。

找到原因了

caps["marionette"] = True

作者可以解释一下这句话是干什么的吗

@A cat named GitHub 改成 caps["marionette"] = False 可以运行。 目前还没吃透代码，先用着试试

我用的是 pycham IDE，按照作者的写法写的，怎么不行

@A cat named GitHub 找到原因了

caps["marionette"] = True

作者可以解释一下这句话是干什么的吗

对火狐版本有要求吗

@花晨 我的也是提示火狐版本不匹配，你解决了吗

@A cat named GitHub 重装了geckodriver

改成caps["marionette"] = "Windows"

总之就好了

4.3.1 打开Hello World,代码用的作者的，火狐地址我也设置了，为啥运行没反应

from selenium import webdriver

from selenium.webdriver.firefox.firefox_binary import FirefoxBinary

caps = webdriver.DesiredCapabilities().FIREFOX

caps["marionette"] = False

binary = FirefoxBinary(r'C:\Program Files\Mozilla Firefox\firefox.exe')

#把上述地址改成你电脑中Firefox程序的地址

driver = webdriver.Firefox(firefox_binary=binary, capabilities=caps)

driver.get("http://www.santostang.com/2017/03/02/hello-world/")

我是番茄

为什么刷新没有XHR数据，评论明明加载出来了

为什么刷新没有XHR数据，评论明明加载出来了

@萌萌哒的小叽叽丶 书里错误很多，留个qq吧

为什么刷新没有XHR数据，评论明明加载出来了

第21条测试评论

第20条测试评论

第19条测试评论

第18条测试评论

第17条测试评论

第16条测试评论

第15条测试评论

第14条测试评论

第13条测试评论

第12条测试评论

第11条测试评论

第10条测试评论

第9条测试评论

第8条测试评论

第7条测试评论

第6条测试评论

第5条测试评论

第4条测试评论

第3条测试评论

第二条测试评论

第一条测试评论

参考书目：唐松，来自《Python 网络爬虫：从入门到实践》

参考书目作者关于本部分的介绍：http://www.santostang.com/2017/09/25/4-3-%E9%80%9A%E8%BF%87-selenium-%E6%A8%A1%E6%8B%9F%E6%B5%8F%E8%A7%88%E5%99%A8%E6%8A%93%E5%8F%96/