Python爬虫实战（4）：豆瓣小组话题数据采集—动态网页

　　

　　1， 引言

　　注释：上一篇《Python爬虫实战（3）：安居客房产经纪人信息采集》，访问的网页是静态网页，有同学模仿那种实战来采集动态加载豆瓣小组的网页，结果不成功。本篇是针对动态网页的数据采集编程实战。

　　Python开源网路爬虫项目启动之初，我们就把网路爬虫分成两类：即时爬虫和收割式网路爬虫。为了适应各类应用场景，GooSeeker的整个网路爬虫产品线收录了四类产品，如下图所示：

　　

　　本实战是上图中的“独立python爬虫”的一个实例，以采集豆瓣小组讨论话题()信息为例，记录整个采集流程，包括python和依赖库的安装，即便是python初学者，也可以跟随文章内容成功地完成运行。

　　2，Python和相关依赖库的安装2.1，安装Python3.5.22.2，Lxml 3.6.02.3，下载网页内容提取器程序

　　网页内容提取器程序是GooSeeker为开源Python即时网路爬虫项目发布的一个类，使用这个类，可以大大减小数据采集规则的调试时间，具体参看《Python即时网路爬虫项目: 内容提取器的定义》

　　2.4，安装selenium2.5，PhantomJS下载3，网络爬虫的源代码

　　# _*_coding:utf8_*_

# douban.py

# 爬取豆瓣小组讨论话题

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()

# 下面这句调用gooseeker的api来设置xslt抓取规则

# 第一个参数是app key，请到GooSeeker会员中心申请

# 第二个参数是规则名，是通过GooSeeker的图形化工具: 谋数台MS 来生成的

doubanExtra.setXsltFromAPI("ffd5273e213036d812ea298922e2627b" , "豆瓣小组讨论话题")

url = "https://www.douban.com/group/haixiuzu/discussion?start="

totalpages = 5

doubanSpider = PhantomSpider()

print("爬取开始")

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("爬取结束")

　　 

　　运行过程如下:

　　请注意：为了使源代码更整洁，也为了使爬虫程序更有通用性，抓取规则是通过api注入到内容提取器bbsExtra中的，这样还有另外一个益处：如果目标网页结构变化了，只需通过MS谋数台重新编辑抓取规则，而本例的网路爬虫代码不用更改。为内容提取器下载采集规则的方式参看《Python即时网络爬虫：API说明—下载内容提取器》。

　　4，爬虫结果

　　在项目目录下可以见到多个result**.xml文件，文件内容如下图所示：

　　

　　5，总结

　　因为信息采集规则是通过api下载出来的，所以，本案例的源代码变得非常简约。同时，整个程序框架显得太通用，因为最影响通用性的采集规则是从外部注入的。

　　6，集搜客GooSeeker开源代码下载源GooSeeker开源Python即时网络爬虫GitHub源7，文档更改历史

　　2016-07-21：V1.0

　　转载于: