写在开始

本教程仅供学习，若被他人用于其他用途，与本人无关

第一战-selenium

使用selenium可以直接获得加载后的网页信息而无需考虑请求信息，Ajax，js解密等等，可谓偷懒神器，下面以 https://www.zhihu.com/question/375762710 为例，进行实战讲解

初始

分析网址，可以发现网址是https://www.zhihu.com/question/ + question_id的形式

try:
    option = webdriver.ChromeOptions()
    option.add_argument("headless")
    option.add_experimental_option("detach", True)
    driver = webdriver.Chrome(chrome_options=option)
    driver.get('https://www.zhihu.com/question/'+question_id)
    
except Exception as e:
   	print(e)
finally:
    driver.close()

关闭登录弹窗

进入网页，结果发现了烦人的登录弹窗，可以通过Xpath和CSS选择器的方式获取关闭按钮，模拟点击操作

# 先触发登陆弹窗。
WebDriverWait(driver, 40, 1).until(EC.presence_of_all_elements_located(
(By.CLASS_NAME, 'Modal-backdrop')), waitFun())
# 关闭登陆窗口
driver.find_element_by_xpath('//button[@class="Button Modal-closeButton Button--plain"]').click()

获取所有答案

更气人的来了，知乎竟然是动态加载，需要将滚轮滑动到底部才能获得全部答案，因此需要运行js获得页面高度，并模拟滚轮下滑

sleep(1)是为了等待加载

def waitFun():
    js = """
    let equalNum = 0;
    window.checkBottom = false;
    window.height = 0;
    window.intervalId = setInterval(()=>{
    let currentHeight = document.body.scrollHeight;
    if(currentHeight === window.height){
    equalNum++;
    if(equalNum === 2){
    clearInterval(window.intervalId);
    window.checkBottom = true;
    }
    }else{
    window.height = currentHeight;
    window.scrollTo(0,window.height);
    window.scrollTo(0,window.height-1000);
    }
    },1500)"""
    driver.execute_script(js)
def getHeight(nice):
    js = """
    return window.checkBottom;
    """
    return driver.execute_script(js)

# 当滚动到底部时
WebDriverWait(driver, 40, 3).until(getHeight, waitFun())

# 等待加载
sleep(1)

获取标题和副标题

需要注意，有些问题是没有副标题的，因此也不存在副标题的element

1
2
3

title=driver.find_element_by_xpath('//h1[@class="QuestionHeader-title"]').text

subtitle = driver.find_element_by_xpath('//span[@class="RichText ztext css-hnrfcf"]').text

展开评论

难受，评论的数据并不包含在页面中，而需要点击 “XX条评论” 按钮后才进行动态加载，因此需要模拟点击这些按钮

wait=WebDriverWait(driver,30)   #显式等待
path=(By.XPATH,'//button[@class="Button ContentItem-action Button--plain Button--withIcon Button--withLabel"]')
clicks=wait.until(EC.presence_of_all_elements_located(path))
for c in clicks:
	if '条' in c.text:
		driver.execute_script("arguments[0].click();", c)
		sleep(0.1)

按块获取答案

先分析得到每一个问题的答主信息、回答内容、评论都在 “List-item”下

然后在每一块元素的基础上，在进行答主信息、回答内容、评论的查找

# get blocks
blocks=driver.find_elements_by_xpath('//div[@class="List-item"]')
res=[]
for b in blocks:
    author = b.find_element_by_xpath('.//div[@class="ContentItem-meta"]//meta[@itemprop="name"]').get_attribute('content')
    content = b.find_element_by_xpath('.//div[@class="RichContent-inner"]').text
    # button=b.find_element_by_xpath('.//div[@class="ContentItem-actions"]//button[contains(text(),"评论")]')
    button=b.find_element_by_xpath('.//button[@class="Button ContentItem-action Button--plain Button--withIcon Button--withLabel"]')
    if '收起' in button.text:
        comment = b.find_elements_by_xpath('.//ul[@class="NestComment"]')
        comments=''
        for c in comment:
            comments+=c.text
        print(comments)
        sleep(0.2)
    else:
        comments = '无评论'

    tmp={'author':author,'content':content,'comments':comments}
    res.append(tmp)

保存信息

json

1
2
3

json_str = json.dumps(res)
with open(filename+'.json', 'w',encoding='utf-8') as json_file:
	json_file.write(json_str)

csv

1 2	df = pd.DataFrame(res) df.to_csv(filename+'.csv')

txt

cwd=os.getcwd()
with open(cwd++filename+'.txt','a',encoding='utf-8')as f:
    for i,r in enumerate(res):
        f.write(f'第{i+1}个回答'.center(30,'='))
        f.write('\n')
        f.write(f'author:{r["author"]}\n')
        f.write(f'content:{r["content"]}\n')
        f.write(f'comments:\n{r["comments"]}\n')

数据库

通过pymysql或pymongo保存到数据库中，在此便不再多说了

优化

通过selenium能够省力地爬取信息，但也会导致爬取速度的缓慢（个人理解是因为爬取速度要受网页加载速度的影响）

为了更快速地爬取信息，可以采取多线程或多进程的爬取方式，以及更高级的分布式爬取技巧
结语

不知道大家在爬取之前，是否注意到知乎遵循了robots协议（没有关注过的可以点击这个网址:https://www.zhihu.com/robots.txt)

为了不给网站的管理员带来麻烦，希望大家在爬取的时候能尽量遵循robots协议；若在学习过程中在不可避免地无法遵循robots协议，也尽量维持爬虫爬取频率与人类正常访问频率相当，不过多占用服务器资源

写在最后

技术是无私的，非常不舍得把我这个实战代码分享了出去，毕竟以我的爬虫技术，编写这么个知乎爬虫实战的代码还是很费劲的，花了很多心血，也踩了很多坑

希望大家能够多多支持大可，有什么问题都可以提交，我也会及时为大家解决。最后也欢迎大家光临我的小站 https://cheungducknew.github.io/