Python爬虫：Selenium+ BeautifulSoup 爬取JS渲染的动态内容（雪球网新闻）

最近要有一个任务，要爬取/#/cn网页上的文章，作为后续自然语言处理的源数据。

爬取目标：下图中红色方框部分的文章内容。（需要点击每篇文章的链接才能获得文章内容）

注：该文章仅介绍爬虫爬取新闻这一部分，爬虫语言为Python。

乍一看，爬虫的实现思路很简单：

（1）从原始页面/#/cn上爬取各篇文章的URL

（2）通过第一步所获得的各篇文章的URL，抓取文章内容。

但是发现简单使用urllib2.urlopen()并不能获得红框部分的数据，原因是该部分数据是通过JS动态加载的。

最终发现可以采用Selenium框架来抓取动态数据。Selenium原本是Web测试工具，在Python爬虫中，可以使用它来模拟真实浏览器对URL进行访问，Selenium支持的浏览器包括Firefox、Chrome、Opera、Edge、IE 等。在此我使用的是Firefox浏览器。

Python爬虫脚本如下，可以参考注释来理解代码：

# coding=utf-8import timeimport Queueimport pymongoimport urllib2import threadingfrom bs4 import BeautifulSoupfrom BeautifulSoup import *from selenium import webdriverfrom mon.by import By# 连接本地MongoDB数据库client = pymongo.MongoClient()# 数据库名为shsz_newsdb = client.shsz_news# collection名为newscollection = db.news# 文章存储数据结构为：标题 作者 文章发布时间 阅读量 文章内容#title author timestamp read contentclass Article:title = ""url = ""author = ""timestamp = ""read = 0content = ""def __init__(self, title, url, author, timestamp, read, content):self.title = titleself.url = urlself.author = authorself.timestamp = timestampself.read = readself.content = content# 参数为：点击多少次"加载更多"# 返回值为文章的url列表，数据总条数为：50 + 15 * numdef get_article_url(num):browser = webdriver.Firefox()browser.maximize_window()browser.get('/#/cn')time.sleep(1)# 将屏幕上滑4次，之后会出现“加载更多”按钮——此时有50篇文章for i in range(1, 5):browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')time.sleep(1)# 点击num次“加载更多”——每次点击会加载15篇新闻for i in range(num):# 找到加载更多按钮，点击browser.find_element(By.LINK_TEXT, "加载更多").click()time.sleep(1)soup = BeautifulSoup(browser.page_source)# 解析html，获取文章列表article_queue = parse_html(soup)browser.close()return article_queue# 解析html，返回Article的队列def parse_html(soup):article_queue = Queue.Queue()article_divs = soup.findAll('div', {'class': 'home__timeline__item'})if article_divs is not None:for article_div in article_divs:# 获取文章urlurl = dict(article_div.h3.a.attrs)['href']article_url = '' + url# 获取文章标题article_title = article_div.h3.a.string# 获取文章作者article_author = article_div.find('a', {'class': 'user-name'}).string# 获取文章发布时间article_timestamp = article_div.find('span', {'class': 'timestamp'}).string# 获取文章阅读量article_read = article_div.find('div', {'class': 'read'}).string# 构造article对象，添加到article_queue队列中article = Article(url=article_url, title=article_title, author=article_author,timestamp=article_timestamp, read=article_read, content='')article_queue.put(article)return article_queue# 获取文章内容的线程class GetContentThread(threading.Thread):def __init__(self, article_queue):threading.Thread.__init__(self)self.url_queue = article_queuedef run(self):count = 0;while 1:try:count += 1# 打印每个线程的处理进度...if count % 100 == 0:print countarticle = self.url_queue.get()# 获取文章urlarticle_url = article.urlrequest = urllib2.Request(article_url)request.add_header('User-Agent', 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/1201 Firefox/3.5.6')response = urllib2.urlopen(request, timeout=10)chunk = response.read()soup = BeautifulSoup(chunk)# 将文章内容解析出来content = soup.find('div', {'class': 'detail'})# 需要使用str()函数，否则无法保存到mongoDB中article.content = str(content)try:# 将article信息写入mongoDB数据库collection.save(article.__dict__)except Exception, e:# 该方法提示q.join()是否停止阻塞self.url_queue.task_done()# 将该文章重新放入队列self.url_queue.put(article)print "Save into MongoDB error！Let's make a comeback "# 该方法提示q.join()是否停止阻塞self.url_queue.task_done()except Exception, e:# 该方法提示q.join()是否停止阻塞self.url_queue.task_done()print 'get content wrong! ', e, '\n'# 出现异常，将异常信息写入文件file1 = open('get_content_wrong.txt', 'a')file1.write(str(article.title) + '\n')file1.write(str(article.url) + '\n')file1.write(str(e) + '\n')file1.close()if '404' in str(e):print 'URL 404 Not Found:', article.url# 如果错误信息中包含 'HTTP' or 'URL' or 'url' ，将该地址重新加入队列，以便稍后重新尝试访问elif 'HTTP' or 'URL' or 'url' in str(e):self.url_queue.put(article)print "Let's make a comeback "continuedef main():# 获得所有的文章,并将它们放入队列中article_queue = get_article_url(150)# 创建10个线程，获取所有文章的具体内容,并写入mongoDB数据库for i in range(10):gct = GetContentThread(article_queue)gct.setDaemon(True)gct.start()# 等待队列中的所有任务完成article_queue.join()main()