10 分钟上手Web Scraper，从此爬虫不求人
10 分钟上手Web Scraper，从此爬虫不求人
我现在很少写爬虫代码了，原因如下：
- 网站经常变化，因此需要持续维护代码。
- 爬虫的脚本通常很难复用，因此价值就很低。
- 写简单的爬虫对自己的技能提升有限，对我来不值。
但是不写爬虫，就不能方便的获取数据，自己写代码又要花费很多时间，少则一两个小时，多则半天的时间，这就让人很矛盾。
有没有一种方法可以不写代码，分分钟就就可以实现网页的数据抓取呢？
我去搜了下，还真有，我从这里面选了一个我认为最好用的，那就是 Web Scraper，有了它，基本上可以应付学习工作中 90% 的数据爬取需求，相对于 Python 爬虫，虽然灵活度上受到了一定的限制，但是学习成本很低，我用半个小时就学会了基本用法，这种低成本高效率的解决问题的工具，对我来说就是好东西。
好东西就值得分享，本文介绍 Web Scraper 的安装和使用方法，优缺点等，让你 10 分钟就可以上手。
PS：阅读原文可以访问文中的链接。
安装
Web Scraper 是一个谷歌浏览器插件。访问官方网站 https://webscraper.io/，点击 “Install”
会自动跳转至 Chrome 的网上商店，点击 “Add to Chrome” 即可。
如果无法访问 Chrome 的网上商店，请访国内的插件网站进行安装，如下：
- 浏览器插件下载中心 https://www.chromefor.com/
- 173应用网 https://173app.com/chrome-ext
- Chrome 网上应用店镜像 https://www.gugeapps.com/
- 再来个英文的下载网站 https://www.crx4chrome.com/
- Crx离线安装包下载 http://yurl.sinaapp.com/crx.php
- Chrome插件 http://chromecj.com/
- ChromeFor浏览器插件 https://chrome-extension-downloader.com/
使用
孰能生巧，新手可能会有点难以理解，其实只需要记住一句话，网页的内容是一棵树，树根就是网站的 url，从网站的 url 到我们需要访问的数据所在的元素（html element）就是从树根到叶子节点的遍历的过程。这个过程有简单的，就是直接一条路就走到叶子节点，也有复杂的，采用递归的思想处理页面刷新情况。
这里，我只展示一些简单的，让你建立对 Web Scraper 的初步认识，复杂的的爬取请访问官方文档，阅读视频和文档来学习。
请牢记，网页的内容是一棵树，这样方便你理解工具的工作原理。Web Scraper 就是以树的形式来组织 sitemap 的，以爬取知乎的热榜数据为例，一步步展示使用该插件。
知乎热榜的页面如下图所示：
根就是页面的网址，即 https://www.zhihu.com/hot，现在给这个根起个名字，叫 zhihu_hot（名字任意起，便于识别即可），zhihu_hot 的子节点可以是视频、科学、数码、体育这些子节点。这些子节点下的子节点就是我们要抓取的内容列表。
现在开始使用 Web Scraper：
第一步，打开谷歌浏览器的开发者工具，单击最右边的 Web Scraper 菜单，如下图所示：
第二步，创建 sitemap 及 selector：
单击 Create new sitemap -> Create sitemap，在 Sitemap name 处输入 zhihu_hot，这里 zhihu_hot 可以随意其名称，方便自己识别即可，只能是英文，然后 Start Url 填写 https://www.zhihu.com/hot：然后单击 Create sitemap 按钮完成创建，如下图所示：
单击 Add new selector 添加 selector，也就是添加子节点：
然后会弹出一个框让我们填写 selector 的相关信息，ID 这里填写 category，类型选择 Element Click，此时会出现两个选择器，一个是 selector，代表着要传递给 category 的子节点使用的元素，另一个是 Click selector，代表要点击的元素。为了方便你理解，请先选择 Click selector，在选择 selector，具体操作如下图所示：
Click selector 的选择：
selector 的选择：
选择完成之后，勾选 Mutiple 表示爬取多个分类，点击 Save selector 保存。
继续在 category 下添加 Selector，即 category_e， category_e 接受到的元素就是 category 中的 selector 选择的元素，即那个 div.HostList-list。category_e 的配置如下图所示：
然后继续在 category_e 下面继续添加三个 Selector，即 hot_no、title、hot_degree，分别如下图所示：
保存之后，点击 Selector graph
可以看到如下图所示的树：
到这一步，我们的 sitemap 及其 selector 都创建完成。
第三步，运行 Web Scraper。
单击菜单中的 Scrape 按钮
然后会让你设置爬取时的间隔，保持默认即可，如果网速比较慢可以适当延长：
点击 Start scraping 即可运行 Web Scraper，此时 Web Scraper 会打开一个新的浏览器窗口，执行按钮点击操作，并将数据保存在浏览器的 LocalStorage 中，运行结束后会自动关闭这个新窗口，点击下图中的 Refresh 按钮:
即可看到抓取的数据，如下图所示：
数据可以导出到 csv 文件，点击 Export data as CSV -> download now
即可下载得到 csv 文件：
是不是非常方便？
如果你还是不能成功爬取上述数据，以下是我导出的 sitemap 信息，你可以复制这些文本导入 sitemap，再进行尝试，对比看看哪里不一样：
{"_id":"zhihu_hot","startUrl":["https://www.zhihu.com/hot"],"selectors":[{"id":"category","type":"SelectorElementClick","parentSelectors":["_root"],"selector":"div.HotList-list","multiple":true,"delay":2000,"clickElementSelector":"a.HotListNav-item","clickType":"clickOnce","discardInitialElements":"do-not-discard","clickElementUniquenessType":"uniqueText"},{"id":"category_e","type":"SelectorElement","parentSelectors":["category"],"selector":"section","multiple":true,"delay":0},{"id":"hot_num","type":"SelectorText","parentSelectors":["category_e"],"selector":"div.HotItem-rank","multiple":false,"regex":"","delay":0},{"id":"title","type":"SelectorLink","parentSelectors":["category_e"],"selector":".HotItem-content a","multiple":false,"delay":0},{"id":"hot_degree","type":"SelectorText","parentSelectors":["category_e"],"selector":"div.HotItem-metrics","multiple":false,"regex":"","delay":0}]}至于分页，或者无限加载，都是就可以轻松搞定的，本次案例中的分类按钮就相当于一类分页按钮，其他分页操作，官网都有对应的视频教程。
优缺点
优点：
Web Scraper 的优点就是不需要学习编程就可以爬取网页数据，对于非计算机专业的人可谓是爬虫不求人的利器。
即使是计算机专业的人，使用 Web Scraper 爬取一些网页的文本数据，也比自己写代码要高效，可以节省大量的编码及调试时间。
依赖环境相当简单，只需要谷歌浏览器和插件即可。
缺点：
只支持文本数据抓取，图片短视频等多媒体数据无法批量抓取。
不支持复杂网页抓取，比如说采取来反爬虫措施的，复杂的人机交互网页，Web Scraper 也无能为力，其实这种写代码爬取也挺难的。
导出的数据并不是按照爬取的顺序展示的，想排序就就要导出 Excel 再进行排序，这一点也很容易克服，大部分数据都是要导出 Excel 再进行数据分析的。
最后的话
掌握了 Web Scraper 的基本使用之后，就可以应付学习工作中 90% 的数据爬取需求，遇到一些稍微复杂的页面，可以多去看看官方网站的教程。
虽然只支持文本数据的抓取，基本上也够用了。如果是复杂网站的数据抓取，即使写代码也挺难爬取的，因此能快速解决手头的问题，提升工作效率，就是好工具，Web Scraper 就是这样的工具，是非常值得去学习的。