[Selenium2+python2.7][Scrap]爬虫和selenium方式下拉滚动条获取简书作者目录并且生成Markdown格式目录
预计阅读时间: 15分钟
环境: win7 + Selenium2.53.6+python2.7 +Firefox 45.2 (具体配置参考 http://www.cnblogs.com/yoyoketang/p/selenium.html)
FF45.2 官方下载地址: http://ftp.mozilla.org/pub/firefox/releases/45.2.0esr/win64/en-US/
痛点:爸爸的一个朋友最近简书上面更新了20多篇文章,让我添加目录。每次手动查找链接再添加标题太麻烦了,30多篇就需要半个多小时,而且链接可能会变换。
解决办法:由于简书支持markdown 格式,爬取作者目录然后生成Markdown格式文档即可
原始思路一: 采用urllib2方式爬取目录
步骤:
1.使用urllib2模拟header request打开页面
2. 采用正则匹配href的链接,然后用列表推导式生成链接
3. 采用正则获取标题
4. 生成目录
#coding=utf-8
import urllib2,re def getHtml(url):
header = {"User-Agent":'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.101 Safari/537.36'}
request = urllib2.Request(url,headers=header) #init user request with url and headers
response = urllib2.urlopen(request) #open url
text = response.read()
return text def getTitleLink(html):
pattern1 = re.compile('<a class="title" target="_blank" href="/p/(\w{0,12})"', re.S)
links = re.findall(pattern1,html)
urls = ["www.jianshu.com/p/"+str(link) for link in links] pattern2 = re.compile('<a class="title" target="_blank" href="/p/.*?">(.*?)</a>',re.S)
titles = re.findall(pattern2,html)
for title,url in zip(titles,urls):
if r'目录' not in title:
print "["+title+"](" + url + ")"
#return urls #sample test menu
url = 'http://www.jianshu.com/u/73632348f37a'
html = getHtml(url)
getTitleLink(html)
测试发现如果作者文章只有五六篇,能正确生成。
但是如果文章20篇以上,发现问题:
这种办法只爬取了当前页面加载的文章链接,手工拖拽滚动条动态加载的标题内容无法直接获取到,网上建议用selenium来解决
思路二: 采用selenium打开网页,调用js模拟鼠标点击滚动条,加载全部页面
步骤:
1. 使用selenium打开网页
2. 循环调用js模拟鼠标点击下拉滚动条,直至加载全部页面
3. 使用find_elements_by_xpath查找标题tag
4. 将标题tag解析后写入目录并打印
注: 步骤3获取的为WebElement 类型对象
#coding=utf-8 #refer to http://www.cnblogs.com/haigege/p/5492177.html
#Step1: scroll and generate Markdown format Menu from selenium import webdriver
import time def scroll_top(driver):
if driver.name == "chrome":
js = "var q=document.body.scrollTop=0"
else:
js = "var q=document.documentElement.scrollTop=0"
return driver.execute_script(js) # 拉到底部
def scroll_foot(driver):
if driver.name == "chrome":
js = "var q=document.body.scrollTop=100000"
else:
js = "var q=document.documentElement.scrollTop=100000"
return driver.execute_script(js) def write_text(filename, info):
"""
:param info: 要写入txt的文本内容
:return: none
"""
# 创建/打开info.txt文件,并写入内容
with open(filename, 'a+') as fp:
fp.write(info.encode('utf-8'))
fp.write('\n'.encode('utf-8'))
fp.write('\n'.encode('utf-8')) def sroll_multi(driver,times=5,loopsleep=2):
#40 titles about 3 times
for i in range(times):
time.sleep(loopsleep)
print "Scroll foot %s time..." % i
scroll_foot(driver)
time.sleep(loopsleep) #Note: titles is titles_WebElement type object
def write_menu(filename,titles):
with open(filename, 'w') as fp:
pass
for title in titles:
if r'目录' not in title.text:
print "[" + title.text + "](" + title.get_attribute("href") + ")"
t = title.text.encode('utf-8')
t = title.text.replace(":", ":")
t = title.text.replace("|", "丨")
t = title.text.decode('utf-8')
write_text(filename, "[" + t + "](" + title.get_attribute("href") + ")")
#assert type(title) == "WebElement"
#print type(title) def main(url):
# eg. <a class="title" href="/p/6f543f43aaec" target="_blank"> titleXXX</a>
driver = webdriver.Firefox()
driver.implicitly_wait(10)
# driver.maximize_window()
driver.get(url)
sroll_multi(driver)
titles = driver.find_elements_by_xpath('.//a[@class="title"]|.//a[target="_blank"]')
write_menu(filename, titles) if __name__ == '__main__':
# sample link
url = 'http://www.jianshu.com/u/73632348f37a'
filename = r'info.txt'
main(url)
注:
1. 参考链接: http://www.cnblogs.com/haigege/p/5492177.html
2. 环境下载:Firefox45: https://ftp.mozilla.org/pub/firefox/releases/45.0esr/win64/en-US/
3. 如果编码格式报错,添加
reload(sys)
sys.setdefaultencoding('utf8')
[Selenium2+python2.7][Scrap]爬虫和selenium方式下拉滚动条获取简书作者目录并且生成Markdown格式目录的更多相关文章
- selenium操作下拉滚动条的几种方法
数据采集中,经常遇到动态加载的数据,我们经常使用selenium模拟浏览器操作,需要多次下拉刷新页面才能采集到所有的数据,就此总结了几种selenium操作下拉滚动条的几种方法 我这里演示的是Java ...
- python中selenium操作下拉滚动条方法汇总
UI自动化中经常会遇到元素识别不到,找不到的问题,原因有很多,比如不在iframe里,xpath或id写错了等等:但有一种是在当前显示的页面元素不可见,拖动下拉条后元素就出来了. 比如下面这样一个网页 ...
- python中selenium操作下拉滚动条方法
场景:在当前显示的页面元素不可见,拖动下拉条后元素就出来了. 解决方法: 在python中有几种方法解决这种问题,简单介绍下,给需要的人: 方法一)使用js脚本直接操作,方法如下: #将页面滚动条拖到 ...
- [Python爬虫] Selenium +phantomjs 模拟下拉滚动条
在爬虫中,有时会遇到这种情况,数据的展示是不是一页一页的,而是通过不断的下拉滚动条来加载数据.例如一点咨询(http://www.yidianzixun.com/)和微博(在未登录的状态下:http: ...
- selenium的下拉选择框
今天总结下selenium的下拉选择框.我们通常会遇到两种下拉框,一种使用的是html的标签select,另一种是使用input标签做的假下拉框. 后者我们通常的处理方式与其他的元素类似,点击或使用J ...
- selenium之 下拉选择框Select
今天总结下selenium的下拉选择框.我们通常会遇到两种下拉框,一种使用的是html的标签select,另一种是使用input标签做的假下拉框. 后者我们通常的处理方式与其他的元素类似,点击或使用J ...
- Java+selenium 如何下拉移动滚动条【实战】
一.场景:在编写脚本过程中需要定位的元素,在界面的底部,需要拖拽下拉滚动条,再进行定位元素. 实现思路:用Selenium 里面的 scrollTo 方法实现 二.脚本示例: 1. 用例设计 @The ...
- selenium下拉滚动条
selenium下拉滚动条 制作人:全心全意 谷歌浏览器下拉滚动条 chrome = webdriver.Chrome() //创建谷歌浏览器对象 url="http://www.baidu ...
- 自动化测试-11.selenium的下拉框处理类Select
前言 最近由于工作原因,更新慢了一点,今天终于抽出一点时间给大家继续更新selenium系列,学习的脚本不能停止,希望小伙伴能多多支持. 本篇以百度设置下拉选项框为案例,详细介绍select下拉框相关 ...
随机推荐
- <configSections> 位置引起的错误
今天在配置一个项目的时候,花了挺长时间配置完成,然后一启动项目,懵了,启动报错:错误显示 Configuration Error Description: An error occurred duri ...
- python 日志组件
日志组件: import logging import logging.handlers import os class logs(object): def __init__(self): self. ...
- 【C#设计模式1】单例模式
一.引言 最近在设计模式的一些内容,主要的参考书籍是<Head First 设计模式>,同时在学习过程中也查看了很多博客园中关于设计模式的一些文章的,在这里记录下我的一些学习笔记,一是为了 ...
- 打开app应用
=========================================人才网 <!--app底部浮动广告--><style> footer { padding-bo ...
- @ResponseBody使用
@responseBody注解的作用是将controller的方法返回的对象通过适当的转换器转换为指定的格式之后,写入到response对象的body区,通常用来返回JSON数据或者是XML 数据,需 ...
- oracle学习笔记day1
oracle数据库前言 oracle sqllesson1 Selecting Rowslesson2 Sorting & Limiting Selected Rowslesson3 Sing ...
- 通过JAX-WS实现WebService
(一)服务端的创建 一,首先创建一个Web 项目,或者创建一个Web Service项目也行(差别就是后者在开始就设置了Web Service的调用方式) 二,在项目中创建一个类作为我们要发布的服务( ...
- Word 双栏排版最后多一页空白页删不掉、左栏文字没写完就到右栏了
1. 问题 问题:Word双栏排版,最后多一页空白页,删不掉.如图: 原因分析:删不掉是因为末尾文字处其实有个下一页分节符,只不过可能看不到. 如何清晰的看到? 视图 > 大纲,就可以看到了.如 ...
- python学习-20 集合
集合set 1.由不同元素组成的集合,集合是一组无序排列的,集合中的元素必须是不可变的 -定义集合 第一种: jh = {1,2,3,4} print(type(jh),jh) 运行结果: <c ...
- go slice切片注意跟数组的区别
一个 slice 会指向一个序列的值,并且包含了长度信息. []T 是一个元素类型为 T 的 slice. [2]string 这样定义久是字符数组 []string 这样定义就是切片 表面上看切片就 ...