Python爬蟲實戰（4）：豆瓣小組話題數據採集—動態網頁

1， 引言

註釋：上一篇《Python爬蟲實戰（3）：安居客房產經紀人信息採集》，訪問的網頁是靜態網頁，有朋友模仿那個實戰來採集動態加載豆瓣小組的網頁，結果不成功。本篇是針對動態網頁的數據採集編程實戰。

Python開源網絡爬蟲項目啓動之初，咱們就把網絡爬蟲分紅兩類：即時爬蟲和收割式網絡爬蟲。爲了適應各類應用場景，GooSeeker的整個網絡爬蟲產品線包含了四類產品，以下圖所示：

本實戰是上圖中的「獨立python爬蟲」的一個實例，以採集豆瓣小組討論話題(https://www.douban.com/group/haixiuzu/discussion?start=0 )信息爲例，記錄整個採集流程，包括python和依賴庫的安裝，即使是python初學者，也能夠跟着文章內容成功地完成運行。

2，Python和相關依賴庫的安裝

• 運行環境：Windows10

2.1，安裝Python3.5.2

• 官網下載連接: https://www.python.org/ftp/python/3.5.2/python-3.5.2.exe
• 下載完成後，雙擊安裝。
• 這個版本會自動安裝pip和setuptools，方便安裝其它的庫

2.2，Lxml 3.6.0

• Lxml官網地址: http://lxml.de/
• Windows版安裝包下載: http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
• 對應windows下python3.5的安裝文件爲 lxml-3.6.0-cp35-cp35m-win32.whl
• 下載完成後，在windows下打開一個命令窗口,，切換到剛下載的whl文件的存放目錄，運行pip install lxml-3.6.0-cp35-cp35m-win32.whl

2.3，下載網頁內容提取器程序

網頁內容提取器程序是GooSeeker爲開源Python即時網絡爬蟲項目發佈的一個類，使用這個類，能夠大大減小數據採集規則的調試時間，具體參看《Python即時網絡爬蟲項目: 內容提取器的定義》

• 下載地址:https://github.com/FullerHua/gooseeker/blob/master/core/gooseeker.py
• 把gooseeker.py保存在項目目錄下

2.4，安裝selenium

• pip install selenium

2.5，PhantomJS下載

• 下載地址 http://phantomjs.org/download.html
• 把下載獲得的phantomjs-2.1.1-windows.zip解壓到本機的某個文件夾下
• 把解壓後的文件夾中的phantomjs.exe的完整路徑加文件名記錄下來，用來替換下面代碼的 browser = webdriver.PhantomJS(executable_path='C:\phantomjs-2.1.1-windows\bin\phantomjs.exe') 這一行中的兩個單引號之間的內容。

3，網絡爬蟲的源代碼

# _*_coding:utf8_*_
# douban.py
# 爬取豆瓣小組討論話題

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()   
# 下面這句調用gooseeker的api來設置xslt抓取規則
# 第一個參數是app key，請到GooSeeker會員中心申請
# 第二個參數是規則名，是經過GooSeeker的圖形化工具: 謀數臺MS 來生成的
doubanExtra.setXsltFromAPI("ffd5273e213036d812ea298922e2627b" , "豆瓣小組討論話題")  

url = "https://www.douban.com/group/haixiuzu/discussion?start="
totalpages = 5
doubanSpider = PhantomSpider()
print("爬取開始")

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("爬取結束")

運行過程以下:

• 將上面的代碼保存到douban.py中，和前面2.3步下載的提取器類gooseeker.py放在同一個文件夾中
• 打開Windows CMD窗口，切換當前目錄到存放douban.py的路徑(cd \xxxx\xxx)
• 運行 python douban.py

請注意：爲了讓源代碼更整潔，也爲了讓爬蟲程序更有通用性，抓取規則是經過api注入到內容提取器bbsExtra中的，這樣還有另一個好處：若是目標網頁結構變化了，只需經過MS謀數臺從新編輯抓取規則，而本例的網絡爬蟲代碼不用修改。爲內容提取器下載採集規則的方法參看《Python即時網絡爬蟲：API說明—下載內容提取器》。

4，爬蟲結果

在項目目錄下能夠看到多個result**.xml文件，文件內容以下圖所示：

5，總結

由於信息採集規則是經過api下載下來的，因此，本案例的源代碼顯得十分簡潔。同時，整個程序框架變得很通用，由於最影響通用性的採集規則是從外部注入的。

6，集搜客GooSeeker開源代碼下載源

1. GooSeeker開源Python即時網絡爬蟲GitHub源

7，文檔修改歷史

2016-07-21：V1.0