手把手教你写网络爬虫(5):PhantomJS实战

2018阿里云全部产品优惠券(好东东,强烈推荐)
领取地址 https://promotion.aliyun.com/ntms/yunparter/invite.html?userCode=zo93kaue

推荐:手把手教你写网络爬虫(3):开源爬虫框架对比

[本系列: 《手把手教你写网络爬虫(1):网易云音乐歌单》 《手把手教你写网络爬虫(2):迷你爬虫架构》 Project Language Star Watch Fork Nutch Java 1111 195 808 web

本系列:

大家好!从今天开始,我要与大家一起打造一个属于我们自己的分布式爬虫平台,同时也会对涉及到的技术进行详细介绍。大家如果有什么好的想法请多留言,多提意见,一起来完善我们的爬虫平台。在正式介绍平台之前,先用一些篇幅对基础篇做一点补充。模拟滚动

这次的目标是爬一个众筹网站的所有项目,项目列表页如下:https://www.kaistart.com/project/more.html。打开后进行分析,页面显示出10个项目:

如果想看到更多项目,并不能像网易云音乐那样点“下一页”翻页,而是需要向下拉滚动条或者向下滚动鼠标滚轮来触发异步请求。爬虫该如何应对这种情况呢?我们可以使用selenium的api执行js代码将屏幕内容滚动到指定位置。

下面这段代码会一直向下滚动项目页,一直到滚不动为止:

# 一直滚动到最底部  
js1 = 'return document.body.scrollHeight'  
js2 = 'window.scrollTo(0, document.body.scrollHeight)'  
old_scroll_height = 0  
while browser.execute_script(js1) >= old_scroll_height:  
    old_scroll_height = browser.execute_script(js1)  
    browser.execute_script(js2)  
    time.sleep(1) 

scrollTo() 方法可把内容滚动到指定的坐标:

参数 描述
xpos 必需。要在窗口文档显示区左上角显示的文档的 x 坐标。
ypos 必需。要在窗口文档显示区左上角显示的文档的 y 坐标。

这里用到了scrollHeight,它和ClientHeight还有OffsetHeight有什么区别呢?

推荐:[原创]手把手教你写网络爬虫(5):PhantomJS实战

[从今天开始,我要与大家一起打造一个属于我们自己的分布式爬虫平台,同时也会对涉及到的技术进行详细介绍。]

browser = webdriver.PhantomJs()  
url = 'https://www.kaistart.com/project/more.html'  
try:  
    browser.get(url)  
    wait = ui.WebDriverWait(browser, 20)  
    wait.until(lambda dr: dr.find_element_by_class_name('project-detail').is_displayed())   
 
    # 一直滚动到最底部  
    js1 = 'return document.body.scrollHeight'  
    js2 = 'window.scrollTo(0, document.body.scrollHeight)'  
    old_scroll_height = 0  
    while browser.execute_script(js1) >= old_scroll_height:  
        old_scroll_height = browser.execute_script(js1)  
        browser.execute_script(js2)  
        time.sleep(1)  
    sel = Selector(text=browser.page_source)  
    proj_list = sel.xpath('//li[@class="project-li"]')  

browser.save_screenshot(debug.png')  

这样就会把图片保存在项目目录,打开看看:

browser = webdriver.Chrome() 

再次运行程序,不出所料,Chrome浏览器弹出来,不仅能够正确显示页面,还一直在滚动:

项目全都刷出来了,想爬什么就爬吧!什么?你问我在Linux服务器上怎么爬?纯命令行的那种吗?

from selenium import webdriver  
from pyvirtualdisplay import Display   
 
display = Display(visible=0, size=(800, 600))  
display.start()  
driver = webdriver.Chrome()  
driver.get("http://www.baidu.com")  
print (driver.page_source.encode('utf-8'))  
driver.quit()  
display.stop() 

推荐:手把手教你写网络爬虫(2):迷你爬虫架构

[从零开始写爬虫,初学者的速成指南!]

相关推荐