Python实战社群
Java实战社群
长按识别下方二维码，按需求添加
扫码关注添加客服
进Python社群▲
扫码关注添加客服
进Java社群▲
作者丨皖渝
来源丨凹凸数据（ID：alltodata）
大家好，我是小五
写博客也快一年了，突然想了解下同层次的博主的平均水平应该是什么样的（自己写的博客咋样没点B数么 ），今天就来分享下CSDN的博主信息数据的爬取方法~
我们将采用两种非传统爬虫：Selenium爬取、Webscraper爬取
一、项目介绍
爬取网址：CSDN首页的Python、Java、前端、架构以及数据库栏目，各栏目网址如下：
| 栏目 | 网址 |
|---|---|
| Python | https://www.csdn.net/nav/python |
| Java | https://www.csdn.net/nav/Java |
| 前端 | https://www.csdn.net/nav/web |
| 架构 | https://www.csdn.net/nav/arch |
| 数据库 | https://www.csdn.net/nav/db |
简单分析其各自的URL不难发现，都是https://www.csdn.net/nav/+栏目名样式，这样我们就可以爬取不同栏目了。
以Python目录页为例，如下图所示：
爬取内容：每篇文章的博主信息，如博主姓名、码龄、原创数、访问量、粉丝数、获赞数、评论数、收藏数
（考虑到周排名、总排名、积分都是根据上述信息综合得到的，对后续分析没实质性的作用，这里暂不爬取。）
不想看代码的朋友可直接跳到第三部分~
二、Selenium爬取
分析目录页可知文章是需要动态加载的，此时需要selenium模拟浏览器不断下拉才能获取新的文章。文章的链接如下所示：
1、第一种爬取思路（未果）
思路图如下：
执行的关键代码如下：
from selenium import webdriver
import time
driver = webdriver.Chrome()
driver.get('https://www.csdn.net/nav/python')
#下拉若干次
for i in range(10):
driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
time.sleep(1)
#定位所有链接
blog_url = driver.find_elements_by_css_selector('div.title > h2 > a') #注意:这里保存的是所有element对象
for i in range(len(blog_url)):
url = blog_url[i].get_attribute('href')
driver.get(url)
#------------相关信息爬取(省略)----------
driver.back() #返回目录页
理论上，这段代码看起来是可以实现要求的，但实际上会遇到以下两个问题！
（1）元素定位问题
报错的原因：selenium当打开新的页面后，原来定位过的元素都会失效，需要重新定位元素。上面的driver.back()相当于打开的新的页面（但是对于我们来说只是返回原来的页面）
详细内容可参考这篇博客的内容：https://blog.csdn.net/qq_43251443/article/details/82819887
解决方式：只要每次返回目录页后重新定位元素即可，如下所示：
for i in range(len(blog_url)):
blog_refind_url = driver.find_elements_by_css_selector('div.title > h2 > a') #重新定位
url = blog_refind_url[i].get_attribute('href')
driver.get(url)
#------------相关信息爬取(省略)----------
driver.back() #返回目录页
重新定位后，不难发现，这必须要求blog_url和blog_refind_url这两个列表的长度一致啊！那也就是：每次返回目录页后，需要保持在上一次浏览的位置！ 由此引发了第二个问题：定位元素的不一致。
（2）定位元素不一致
我们在获取所有的文章链接之前，首先进行的下滑页面的操作。而每次driver.back()之后，页面都会回到最初的位置！这就很头疼，如果要保持一样的浏览位置，难道每次返回后都要下拉相同次数的页面么？那么此时我们需要解决的问题则是：如何保持上一级页面的浏览位置。emm，查了一些资料，发现这个需求是和javascript相关的。详细可参考这篇博客：https://blog.csdn.net/chu782729918/article/details/59489616
大致解决思路：保存每次下滑的位置，然后最终调用最后一次下滑的位置。但归根到底，还是需要每次滑动页面，依旧很麻烦，这种思路到这也只能不了了之了。（会javascript的朋友可以尝试如何让页面直接恢复到上一级页面浏览的位置）
2、第二种爬取思路（成功）
不过，仔细思考一下，上面两个问题的来源关键在于selenium访问页面后，元素会重新定位。而我们第一步定位所有文章链接时保存的列表，里面的元素都是element对象（它是会随着页面变化而改变的！）。所以，我们只要保存每个文章的url到一个列表，挨个访问每个url，不就可以了？
思路图如下：
两种思路的对比与思考：前者装有所有文章的列表里都是element对象，而后者装有所有文章的列表里都是url。后者免去了再返回页面这一操作，相当于将一个爬取二级页面问题转化为一级页面问题！
爬取过程：
爬取结果如下：
三、Webscraper爬取
之前的博客分享过Webscraper是一种轻量级的爬取软件。不想看代码的朋友可以用它来复现上述爬取过程。（注：以下爬取过程只是针对首页的某一个栏目）
最终的爬取线路图如下:
依旧以首页的Python栏为例：
1、创建下拉对象
这个container只是一个ID，它可以取任意名字的。其他的设置如下图所示：
Type勾选Element_scroll_down(负责下拉页面)
勾选上Multiple后，点击多个文章所在模块后，则会出现红色选定。此时点击
Done selecting，完成selector的配置。Delay设置为2000毫秒（给予页面反应时间）
此外，需要在selector后面加上:nth-of-type(-n+300)，控制爬取的条数，否则它会一直下拉页面！（这里的300则代表需要爬取的总条数）最终，selector的配置如下：
2、创建文章链接对象
保存container的selector后，点击进入下一层，创建如下selector
具体内容如下：
Type选择Link
Selector中不勾选Multiple，h2 a则是文章链接定位的位置
Link不方便定位的话，可以先选择text进行定位，然后得到位置后，再复制到link这即可。
3、创建博主信息对象
同理，保存完inf的selector后，再点击进入下一层，依次创建各类信息的selector，如下所示：
以name为例，其内容如下：
type选择text，相应的选择器内容只要鼠标点击博主姓名即可获得。
这样，我们就完成了所有的准备工作，接下来就可爬取啦~所有延迟时间均设置为2000ms
最终爬取结果如下（这里仅作演示，只爬取了七条）：
本次创建的sitemap如下，有兴趣的朋友可以自己实验下，只需要import sitemap即可
{"startUrl":"https://blog.csdn.net/nav/python","selectors":[{"parentSelectors":
["_root"],"type":"SelectorElementScroll","multiple":true,"id":"container","selector":"ul.feedlist_mod li.clearfix:nth-of-type(-n+300)","delay":"2000"},{"parentSelectors":
["container"],"type":"SelectorLink","multiple":false,"id":"inf","selector":"h2 a","delay":""},{"parentSelectors":
["inf"],"type":"SelectorText","multiple":false,"id":"name","selector":"div.profile-intro-name-boxTop span.name","regex":"","delay":""},{"parentSelectors":
["inf"],"type":"SelectorText","multiple":false,"id":"blog_num","selector":"dl.text-center:nth-of-type(1) a span.count","regex":"","delay":""},{"parentSelectors":
["inf"],"type":"SelectorText","multiple":false,"id":"code_time","selector":"span.personal-home-page.personal-home-years","regex":"","delay":""},{"parentSelectors":
["inf"],"type":"SelectorText","multiple":false,"id":"views_num","selector":"div.data-info:nth-of-type(2) dl.text-center > dt span.count","regex":"","delay":""},{"parentSelectors":
["inf"],"type":"SelectorText","multiple":false,"id":"fans","selector":"dl#fanBox.text-center span.count","regex":"","delay":""},{"parentSelectors":
["inf"],"type":"SelectorText","multiple":false,"id":"agreement","selector":"dl.text-center:nth-of-type(3) > dt span.count","regex":"","delay":""},{"parentSelectors":
["inf"],"type":"SelectorText","multiple":false,"id":"comment","selector":"div.data-info:nth-of-type(4) dl.text-center:nth-of-type(4) span.count","regex":"","delay":""},{"parentSelectors":["inf"],"type":"SelectorText","multiple":false,"id":"collection_num","selector":"dl.text-center:nth-of-type(5) span.count","regex":"","delay":""}],"_id":"csdn"}
总结：Webscraper虽然简单易操作，速度也和selenium差不多，但每次只能爬一个网址，需要连续爬取多个网址，还是得码代码~
程序员专栏 扫码关注填加客服 长按识别下方二维码进群
近期精彩内容推荐：
在看点这里好文分享给更多人↓↓
来源：oschina
链接：https://my.oschina.net/u/4350184/blog/4837350