无限滚动抓取网站

Posted 2023-02-23

【中文标题】无限滚动抓取网站

【英文标题】：scrape websites with infinite scrolling

【发布时间】：2012-09-13 04:48:05

【问题描述】：

我写了很多爬虫，但我不确定如何处理无限滚动。如今，大多数网站等、Facebook、Pinterest 都有无限滚动条。

【问题讨论】：

您最好的选择是使用这些站点的 API——到目前为止，这将是最简单、最可靠的选择。除此之外，你将不得不处理 javascript，这基本上意味着运行一个完整的浏览器——这样的库确实存在。

听起来像是模拟，你能指出一些处理jscript的例子吗

【参考方案1】：

您可以使用 selenium 来废弃 twitter 或 facebook 等无限滚动网站。

第 1 步：使用 pip 安装 Selenium

pip install selenium 

第2步：使用下面的代码自动无限滚动并提取源代码

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import Select
from selenium.webdriver.support.ui import WebDriverWait
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import NoSuchElementException
from selenium.common.exceptions import NoAlertPresentException
import sys

import unittest, time, re

class Sel(unittest.TestCase):
    def setUp(self):
        self.driver = webdriver.Firefox()
        self.driver.implicitly_wait(30)
        self.base_url = "https://twitter.com"
        self.verificationErrors = []
        self.accept_next_alert = True
    def test_sel(self):
        driver = self.driver
        delay = 3
        driver.get(self.base_url + "/search?q=stckoverflow&src=typd")
        driver.find_element_by_link_text("All").click()
        for i in range(1,100):
            self.driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
            time.sleep(4)
        html_source = driver.page_source
        data = html_source.encode('utf-8')


if __name__ == "__main__":
    unittest.main()

第 3 步：如果需要，打印数据。

【讨论】：

循环是否意味着我们向下滚动 100 次？其中 100 是随机选择的数字。对吗？

@satarupa 你说得对，循环是向下滚动 100 次

【参考方案2】：

大多数具有无限滚动功能的网站（如 Lattyware 所述）也有适当的 API，使用它而不是抓取可能会更好地为您服务。

但如果你必须刮...

当您到达页面底部时，此类网站会使用 JavaScript 从网站请求其他内容。您需要做的就是找出该附加内容的 URL，然后您就可以检索它。可以通过检查脚本、使用 Firefox Web 控制台或使用debug proxy 来确定所需的 URL。

例如，打开 Firefox Web 控制台，关闭除 Net 之外的所有过滤器按钮，然后加载您要抓取的站点。您将在加载所有文件时看到它们。在查看 Web 控制台的同时滚动页面，您将看到用于附加请求的 URL。然后您可以自己请求该 URL 并查看数据的格式（可能是 JSON）并将其放入您的 Python 脚本中。

【讨论】：

你能举一个具体的例子吗？

我添加了更多细节，希望对您有所帮助！

【参考方案3】：

查找 ajax 源的 url 将是最佳选择，但对于某些网站来说可能很麻烦。或者，您可以使用无头浏览器，例如 PyQt 中的 QWebKit，并在从 DOM 树中读取数据时发送键盘事件。 QWebKit 有一个漂亮而简单的 api。