爬虫问题二:处理js异步加载问题

前言

在新闻网站中大多采用的是异步加载模式,新闻条目会随滚动条的滚动而逐渐加载。当爬虫访问这类网站时得到的HTML数据仅仅是我们看到的页面数据,只有当我们向下滚动时,网页的源代码才会同步更新。例如:腾讯新闻,处理这类JS异步加载的问题,这里用selenium来解决。

环境

  • Python 3.6.5
  • 需要安装的包:selenium
  • 编译器:sublime text 3

代码思路

导入需要用到的Python包

import selenium,time
from selenium import webdriver

用打开浏览器

driver = webdriver.Chrome(executable_path='chromedriver.exe')

输入我们需要爬取的网站

driver.get("https://new.qq.com/ch/milite/")

如果程序执行错误,浏览器没有打开,那么应该是没有装 Chrome 浏览器或者 Chrome 驱动没有配置在环境变量里。下载驱动,然后将驱动文件路径配置在环境变量即可。

驱动器下载传送门

将网页的滚动条拉到底部,触发JS加载新数据

jsCode = "var q=document.documentElement.scrollTop=100000"
driver.execute_script(jsCode)

休息3秒,从JS异步加载的完成到新闻页面的更新需要一些时间

time.sleep(3)

进行标签定位,定位到class="item-pics"的标签

div = driver.find_elements_by_class_name("item-pics")
for each in div:
	each = each.find_element_by_tag_name("a")

打印爬取到的内容

print(each.text)

原代码

#这是一个军事新闻数据采集脚本
import selenium,time
from selenium import webdriver

if __name__ == '__main__':
	driver = webdriver.Chrome(executable_path='chromedriver.exe')
	driver.get("https://new.qq.com/ch/milite/")	

	for each in range(1,10):
		jsCode = "var q=document.documentElement.scrollTop=100000"
		driver.execute_script(jsCode)
		time.sleep(3)
		print(each)
		
	time.sleep(3)
	div = driver.find_elements_by_class_name("item-pics")

	for each in div:
		each = each.find_element_by_tag_name("a")
		print(each.text)

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券