Python+webdriver爬取博客园“我的闪存”并保存到本地

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python+webdriver爬取博客园“我的闪存”并保存到本地相关的知识,希望对你有一定的参考价值。

[本文出自天外归云的博客园]

前篇

用webdriver+phantomjs实现无浏览器的自动化过程

本篇

想法与实现

我想要将博客园“我的闪存”部分内容爬取备份到本地文件,用到了WebDriver和Phantomjs的无界面浏览器。对于xpath的获取与校验需要用到firefox浏览器,安装firebug和firepath插件。代码如下:

# -*- coding: utf-8 -*-
import os,time
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
import selenium.webdriver.support.ui as ui

def crawl_memeory(username,pwd):
    #Start login cnblogs.
    driver = webdriver.PhantomJS()
    driver.get("http://passport.cnblogs.com/user/signin?ReturnUrl=http%3A%2F%2Fwww.cnblogs.com%2F")
    wait = ui.WebDriverWait(driver, 10)
    wait.until(lambda dr: dr.find_element_by_id(signin).is_displayed())
    driver.find_element_by_id("input1").send_keys(username)
    driver.find_element_by_id("input2").send_keys(pwd)
    driver.find_element_by_id("signin").click()
    time.sleep(3)
    #Navigate to my memory.
    memory_url = "https://ing.cnblogs.com#my"
    driver.get(memory_url)
    wait.until(lambda dr: dr.find_element_by_id(feed_list).is_displayed())
    element = driver.find_element_by_xpath(".//*[@id=‘pager_bottom‘]/a[last()-1]")
    page_num = int(element.text)
    #For each page, crawl the memory.
    store_dir_path = os.path.join(os.path.abspath(os.path.dirname(__file__)),"cnblogs_memory")
    if os.path.exists(store_dir_path):
        pass
    else:
        os.mkdir(store_dir_path)
    #Set the html‘s local storage path.
    store_html_path = os.path.join(store_dir_path,"cnblogs_memory.txt")
    f = open(store_html_path,"w")
    f.close()
    memory_url = "https://ing.cnblogs.com#my/p"
    with open(store_html_path,"a") as file:
        file.write("<!DOCTYPE html><html><head><meta charset=\\"utf-8\\"><title>博客园我的闪存</title></head><body>")
    for i in range(page_num):
        wait.until(lambda dr: dr.find_element_by_id(feed_list).is_displayed())
        memory_contents = driver.find_elements_by_xpath(".//*[@id=‘feed_list‘]/ul/li")
        for memory_content in memory_contents:
            inner_content = memory_content.get_attribute("innerHTML")
            with open(store_html_path,"a+") as file:
                file.write(inner_content.encode("utf-8"))
        pic_name = "cnblogs_memory_"+str(i+1)+".jpg"
        store_pic_path = os.path.join(store_dir_path,pic_name)
        driver.save_screenshot(store_pic_path)
        last_page_button = driver.find_element_by_xpath(".//*[@id=‘pager_bottom‘]/a[last()]")
        if(last_page_button.text.startswith("Next")):
            last_page_button.click()
    driver.quit()
    with open(store_html_path,"a") as file:
        file.write("</body></html>")

if __name__ == __main__:
    pwd = "密码"
    username = "用户名"
    crawl_memeory(username,pwd)

使用方法

保存以上代码到本地“cnblogs_memory_crawl.py”文件,替换用户名与密码。在命令行中用python运行。

运行效果

本地会在当前运行脚本路径下生成cnblogs_memory文件夹并在其下生成txt文件以及截图文件,截图文件保存了博客园中所有我的闪存页:

技术分享

手动将txt文件后缀改为html打开,效果如下:

技术分享

进一步优化

可以编写脚本对保存到本地的文件内容进行进一步删取,保留你想要的部分。

 
 
 
 
 

以上是关于Python+webdriver爬取博客园“我的闪存”并保存到本地的主要内容,如果未能解决你的问题,请参考以下文章

Python爬取博客园新闻代码

python3: 博客园列表爬取;

爬虫实战使用python爬取博客园的某一篇文章

python网络爬虫(14)博客园用户信息爬取

python——关于简单爬取博客园班级成员发的博文的题目发布人阅读评论,再存到csv文件中

python爬取博客圆首页文章链接+标题