用程序揭露生活中的骗局！

黑马程序员上海

月薪一万只是起点

关注

事情

起因

前一阵突然收到了这样一封私信：

假约稿，真广告！！！

写文章也有一段时间了，这种私信收到了不少，基本都是打着约稿的旗号来骗关注的。

其实个人觉得主动要求别人的关注没有问题，但是应该明目张胆、大张旗鼓的才对，哪能这样鬼鬼祟祟，企图瞒天过海？

看了看这个作者，居然还是个专题编辑呢。

所以我就试探的问问她，既然想约稿，那么到底有没有看过本人的文章。

那么现在问题来了，本人的文章也有将近1500个赞了，其中到底有没有这位同志的赞呢？自己手动去看看？这可不是程序员的答案！本人使用两种方法来解决这个实际问题！

1

Python爬虫

获取用户timeline：

我们可以知道，url就是用户的timeline，但是页面默认只展示一部分，更早的timeline是浏览器下拉后获取的。用浏览器的开发者工具可以看到请求信息。

page这个参数显而易见，那么max_id是怎么来的呢？首先要看看这些请求是哪里发出来的。

再看看s函数，终于找到了max_id的获取方式

max_id可以根据最后一个li元素的id属性获得

利用requests库进行爬取：

requests库就不多介绍了，这里注意两点：

要手动设置请求的header，来模拟正常浏览器

ajax请求要设置额外的header，来模拟下拉刷新

对每次请求下载的response，使用lxml解析，然后利用xpath获取最后一个li元素，进而计算max_id。再用计算出的max_id发起新的请求。

当返回的文本中包含“加入了简书”则停止爬取。

爬取结果分析：

爬取了该用户的所有动态，存储到了一个文本文件中，在其中搜索“大神带我来搬砖”，未找到任何结果。

所以该用户根本没给我点赞过。

源码：

2

测试工具selenium

实际上对于动态加载的数据来说，用程序爬取比较困难，在这种情况下，可以使用selenium来模拟浏览器行为，达到同样目的。

安装好python之后，利用pip命令安装selenium，下载浏览器对应的driver就可以进行了。这次我们需要用selenium打开某个用户的timeline页面以后，一直页面下拉，直到页面中出现“加入了简书”。

selenium进行页面滚动：

平时我们都是用鼠标滚轮在浏览器中进行页面滚动，在selenium中，同样可以模拟鼠标操作。但是这次我们采用了javascript来进行页面滚动。滚动代码如下：

step是页面滚动的像素，step每次会增加，这样就实现了页面自动向下滚动。

关闭chrome浏览器自动加载图片：

浏览器默认是加载图片的，为了提高速度，此处要禁止chrome加载图片。

使用headless模式运行chrome：

发现加载了太多的动态之后，浏览器还是会卡死，这时可以考虑用headless模式运行chrome。headless模式下的chrome不会出现用户图形界面，因此速度更快。

删除页面上元素：

在使用了headless模式后，发现浏览器最后还是越来越慢，应该是因为页面上元素太多，渲染不过来造成的。这时想到了用javascript删除页面元素。注意，需要保留最后一个li元素，以便计算max_id。

将这段JS代码在selenium中运行即可。同时由于页面元素会被删除，页面滚动的代码也要做一些调整，需要先返回顶部，再向下滚动，以防下拉刷新没有触发。

爬取结果分析：

在爬取的动态中搜索，还是找不到“大神带我来搬砖”

这次的代码其实有几个缺陷：

selenium无法取得页面动态加载状态，因此需要设置一个较长的sleep时间，保证页面加载完成。

因为每次需要保留最后一个li元素，爬取下来的动态有重复的。

源码：