Selenium 爬取评论数据，就是这么简单！

本文来自作者 秦子敬 在 GitChat 上分享「如何利用 Selenium 爬取评论数据？」，「阅读原文」查看交流实录

「文末高能」

编辑 | 飞鸿

一、前言

我们知道，如今的 web 网页数据很多是动态加载的，普通的爬虫只是抓取静态的网页。实用性很差，因此，我们需要使用 Selenium 来爬取动态数据。评论区的数据，大多数情况下，都需要下拉刷新才能加载出来。而 Selenium 就能帮我们很好的爬取动态数据。

在本场 Chat 中我将介绍如何用基于 Selenium 的爬虫爬取 B 站评论，并介绍如何用 Firefox 浏览器的实用插件 FirePath 协助爬虫。主要内容包括：

1. 对比静态爬虫与动态爬虫

2. 什么是 Selenium？Selenium 工具的安装（基于 Firefox 浏览器）

3. 介绍强大的 Xpath 定位工具——FirePath 协助爬虫

4. 实例操作：爬取 B 站评论

5. 拓展：介绍 Tar 浏览器，实现匿名 IP 爬虫，防止 IP 封禁

二、环境搭建

（1） Windows10（有兴趣的小伙伴可以在Linux尝试）

（2）IDE：JetBrains PyCharm Community Edition 2017.1.2 x64（如果是学生、可以申请到免费版）

（3）Python2.7、pip工具

（4）Firefox浏览器（版本55.0）以及Firefox下的插件FirePath

这里介绍一下FirePath的安装。打开Firefox 按以下步骤安装：

（5）Selenium版本3.5

使用Pip工具在windows的cmd命令行下

Pip install selenium

因为我这里已经装好了 所以cmd显示的输出会和你们不一样。

（6）FireFox对应的Selenium驱动程序

下载链接：驱动下载地址(https://github.com/mozilla/geckodriver/releases)

注意FireFox和Selenium版本对应 笔者在安装这个驱动的时候走了不少弯路。

这个是笔者使用的版本。

还有以下几点一定要注意，那就是下载好的驱动程序请解压到浏览器所在文件夹目录 并且复制好路径到环境变量path。并且请把Firefox浏览器的.exe文件的路径也复制到环境变量path,把驱动文件拷贝一份放在你Python2.7的目录下。这样才能正常建立浏览器和驱动的联系。

Mac 和 linux 可以参考这篇回答（windows也有介绍）：关于驱动安装失败常见解答(https://www.zhihu.com/question/49568096)

三、正文内容

1. 对比静态爬虫与动态爬虫

爬虫是什么呢?爬虫又被称为网络蜘蛛、网络机器人，是一种自动抓取万维网信息的程序或脚本。我们日常使用的搜索引擎就是通过爬虫技术实现的。我们可以使用爬虫来获取大量数据。

我们平时上网的时候，有时需要填写各种验证码，如果你观察细心，有些验证码旁边会有一行字：“我们需要验证你是不是机器人。”这就建站人用验证码的方式过滤掉一些爬虫。

其实Python也有识别验证码的库，这里给大家推荐pytesseract库，一般的验证码都能解决，有兴趣的朋友可以去了解

可以参考这篇文章：Pytesseract库识别验证码(http://www.cnblogs.com/yutingmoran/p/5984213.html)

那么，为什么建设网站的人要检测爬虫呢？你会想，不都是访问网页吗？但是，我们需要知道，使用爬虫会给网站的服务器带来不少负担，影响服务器性能。而且，爬虫并不是真正的人，不是真正的客户，这当然不被建站人喜欢。而且爬虫爬取来的数据最好不要用于商业用途，不然会遇上法律纠纷的。

这里有一篇文章是关于爬虫使用不当的案例：爬虫使用不当法律纠纷文章(http://www.sohu.com/a/72197083_115980)

因此，我们写爬虫的人，应该站在建站人的角度思考。尽可能在不影响服务器使用的情况下获取需要的数据。

爬虫根据爬取的数据的不同，可以分为静态的爬虫和动态的爬虫。有些网页只是一个简单的web网页，数据不会动态更新，像百度百科、csdn的博文等等，展示一个网页。单纯只有静态数据的web网页已经不多了。所以静态的爬虫实用性很差。

有些数据则不同，他是动态的，像淘宝里的评论区里的数据，b站里的评论区数据，动态加载。那么静态爬虫就不够用了。那么这时我们就需要我们的法宝—Selenium了

2. 什么是 Selenium？Selenium工具安装（基于 Firefox 浏览器）

Selenium是一个浏览器自动化测试框架。本来是作为web应用程序测试的工具。它可以直接运行在浏览器里，模仿真正的用户操作。目前支持IE、Firefox、Safari、Chrome大多数主流浏览器。以前是不用驱动的，现在如果要使用Selenium必须要安装对应浏览器的驱动。也就是说，使用Selenium，爬虫能够更像人的行为，去访问网页，从而获取到有用的信息。

有下面几点好处：一、爬虫的行为更接近人使用浏览器时的操作，降低了被服务器发现的可能。二、对于有些动态数据，比如需要用户下拉刷新才出来的数据，普通的静态爬虫是无可奈何的。

那么使用Selenium模拟用户行为，下拉滚动条就可以把隐藏的数据获取到了。

工具的安装上文已经说明，这里就不再赘述。

3. 介绍强大的 Xpath 定位工具——FirePath 协助爬虫

如果你之前写过爬虫，你就会发现，爬数据前，需要对网页的HTML进行分析。定位到需要的数据处。你也许看过不少教程里教的，使用正则表达式，通过css定位等等。还没爬到数据，就被这个网页分析手工定位数据烦死了。太繁琐了。
上帝教导我们要好好使用工具，而不是只用蛮力。要巧干。这里向大家介绍一款神器。Firefox的定位工具FirePath。

安装的方法上文已经有讲，不再赘述。下面介绍，如何使用它。

（1）打开Firefox，在插件的界面选择启用FirePath。

这里我已经启用了，所以按钮显示的是禁用。如果你是第一次使用，按钮上显示的应该是启用。

（2）在Firefox打开你需要爬取数据的网页 键盘按F12。

（3）

（4）使用鼠标在网页处点击你需要的获取的数据 比如标题，你会发现FirePath已经自动为你生成对应的xPath定位代码。

这样就不用手动分析html结构,自己写路径了。大大提高了效率。

（5）当然也可以使用其他格式的 在这里可以切换。

Xpath和css定位是比较好的定位方式了。

4. 实例操作：爬取 B 站评论

接下来，通过实战的方式来学习一下，具体如何Selenium去爬取B站的评论。实战以前，介绍一些要用到的方法。

（1）

fp = webdriver.Firefox() #获得基于Firefox的对象 fp.set_preference("permissions.default.stylesheet",2)   fp.set_preference("permissions.default.image",2)

这个是对Selenium自动化测试的配置。可以选择不加载图片、css渲染、禁止使用Javascript目的是为了加快网页的加载。这里根据需要自由选择。第二个参数填2表示禁用。更多用法可以到Selenium官网查看文档

Selenium官网

如果进不去，代表你需要一些特殊的工具。这里不做介绍。

（2）

target = app.find_element_by_xpath(".//*[@id='recommend_report']/div[1]/span")

使用find_element_by_xpath（）即通过xpath来定位参数就用FirePath获取到的xpath.当然也有其他方式定位

读者可以试试其他方法。

值得注意的是，find_elements_by_xpath和find_element_by_xpath一个有s一个没有。前者返回一个数组，后者返回一个元素。其他方法同理。这里推荐xpath与css两种方法，比较精准。

(3)

1.app.execute_script("arguments[0].scrollIntoView();", target)#定位到特定的元素   2.time.sleep(3)

这里执行script语句，去定位到我们要到的位置。模拟滚动条下拉。但是值得一提的是每次返回执行一次有关数据请求与返回的方法。最好暂停一会。这是让服务器有缓冲的余地。所以使用time.sleep()

我们在本次实战准备爬取B站的评论区数据、经过分析，b站的评论区数据要下拉到浏览器的一定位置评论区数据才会显示。再分析需要的数据，爬取下响应的数据。这里就不一一分析。有疑问的小伙伴，我可以在chat时给你们解答。这里贴出笔者写的代码。

1.#coding=utf-8   2.from selenium import webdriver   3.import sys   4.import time   5.from selenium.webdriver.common.keys import Keys   6.reload(sys)   7.sys.setdefaultencoding("utf-8")   8.   9. 10.app = webdriver.Firefox()   11.app.get("https://www.bilibili.com/video/av3553625/?from=search&seid=10292605247919873793")   12.   13.target = app.find_element_by_xpath(".//*[@id='recommend_report']/div[1]/span")   14.app.execute_script("arguments[0].scrollIntoView();", target)#定位到特定的元素   15.time.sleep(3)   16.   17.target2 = app.find_element_by_xpath(".//*[@id='bbComment']/div[1]/div[4]/div[4]/span/a");   18.app.execute_script("arguments[0].scrollIntoView();", target2)   19.time.sleep(3)   20.target2.click()   21.   22.for i in range(20):   23.    if(i==7):   24.        continue   25.    name = app.find_element_by_xpath(".//*[@id='bbComment']/div[1]/div[4]/div["+str(i+1)+"]/div[2]/div[1]/a[1]")   26.    test = app.find_element_by_xpath(".//*[@id='bbComment']/div[1]/div[4]/div["+str(i+1)+"]/div[2]/p")   27.    if (i != 13 and i != 17):   28.        pinglun1 = app.find_element_by_xpath(".//*[@id='bbComment']/div[1]/div[4]/div["+str(i+1)+"]/div[2]/div[3]/div[1]/div/div[1]/span")   29.    if (i != 13 and i != 17):   30.        pinglun2 = app.find_element_by_xpath(".//*[@id='bbComment']/div[1]/div[4]/div["+str(i+1)+"]/div[2]/div[3]/div[2]/div/div[1]/span")   31.    if(i !=12 and i !=13 and i != 17):   32.        pinglun3 = app.find_element_by_xpath(".//*[@id='bbComment']/div[1]/div[4]/div["+str(i+1)+"]/div[2]/div[3]/div[3]/div/div[1]/span")   33.    print ("作者：")   34.    print (name.text.strip())   35.    print ("内容：")   36.    print test.text.strip()   37.    print ("后续：")   38.    if (i != 13 and i != 17):   39.        print pinglun1.text.strip()   40.    if (i != 13 and i != 17):   41.        print pinglun2.text.strip()   42.    if (i != 12 and i != 13 and i != 17):   43.        print pinglun3.text.strip()   44.    print ("\n")   45.    time.sleep(3)   46.app.quit()

因为有些评论区的数据是有的，有些是没有的。我们就在for循环里加了一个if判断。如果那一层的评论没有，就Continue跳过就好。

效果图如下：

这些数据是评论区的精彩热评，我爬下了作者的用户名ID 评论内容 和这个评论的跟帖评论。加以整理。

值得一提的是，如果Selenium能做的还远远不止这些，还能模拟点击事件，键盘的输入事件。这个给大家留一个思考题，尝试使用Selenium模拟登陆B站。

提示：使用方法app.click() app.sendkey() app.clear()

参考文章：selenium自动化登陆操作(http://www.cnblogs.com/wzben/p/5024830.html)

5. 拓展：介绍 Tor 浏览器，实现匿名 IP 爬虫，防止 IP 封禁

在爬虫过程中，如果操作不当，被服务器监测到，就有可能导致自己的IP被网站封禁。在一定时间内，拒绝访问。那么有什么办法可以解决呢？

再向大家推荐一款神器，Tor浏览器。这个浏览器，据说这个浏览器本来是
美国军方用来获取信息的工具。能够匿名IP，把自己的的真实IP给隐藏。使用别人的ip。加密算法很强大。著名的比特币发明人中本聪，就是通过这个工具隐藏自己的身份，推广比特币的。

要想进一步了解。Tor浏览器。可以看一下这些文章。

• Tor浏览器详情( http://www.cnblogs.com/likeli/p/5719230.html )

• Tor浏览器详情( http://blog.csdn.net/whiup/article/details/52317779 )

• Tor浏览器详情( https://www.deepdotweb.com/2014/05/23/use-tor-socks5-proxy/ )

（1）安装tor浏览器：安装tor浏览器

( http://www.theonionrouter.com/projects/torbrowser.html.en )

（2）如何配置tor浏览器：配置tor浏览器

( https://jingyan.baidu.com/article/adc815137654fbf723bf73b1.html )

（3）Python安装相应的库

Pip install pysocks Pip install stem

（4）使用方法

先打开Tor浏览器 再运行程序：

import socks   import socket   import requests   socks.set_default_proxy(socks.SOCKS5,"127.0.0.1",9150)  #9150是默认端口 socket.socket = socks.socksocket     a = requests.get("http://checkip.amazonaws.com").text     print a

这个代码会通过访问http://checkip.amazonaws.com，得到一个ip,你会发现这不是你的真实ip,大多情况下是国外的ip：

用百度查找IP ：

（5）切换IP

1.#coding=utf-8   2.from stem import Signal   3.from stem.control import Controller   4.import socket   5.import socks   6.import requests   7.import time   8.import sys   9.reload(sys)   10.sys.setdefaultencoding('utf-8')   11.   12.controller = Controller.from_port(port=9151)   13.controller.authenticate()   14.socks.set_default_proxy(socks.SOCKS5,"127.0.0.1",9150)   15.socket.socket = socks.socksocket   16.   17.total_scrappy_time = 0   18.total_changeIP_time = 0   19.for x in range(0,10):   20.    a = requests.get("http://checkip.amazonaws.com").text   21.    print ("第"+str(x+1)+"次IP："+a)   22.   23.    time1 = time.time()   24.    a = requests.get("http://www.santostang.com/").text   25.   26.    time2 = time.time()   27.    total_scrappy_time = total_scrappy_time + time2-time1   28.    print ("第"+str(x+1)+"次抓取花费时间："+str(time2-time1))   29.   30.    time3 = time.time()   31.    controller.signal(Signal.NEWNYM)   32.    time.sleep(5)   33.    time4 = time.time()   34.    total_changeIP_time = total_changeIP_time + time4-time3-5   35.    print ("第"+str(x+1)+"次更换IP花费时间: "+str(time4-time3-5))   36.   37.print ("平均抓取花费时间："+str(total_scrappy_time/10))   38.print ("平均更换IP时间："+str(total_changeIP_time/10))

6. 可能提到到的问题

为什么使用 Python2.7而不是Python3?为什么不用更好的Anaconda而是使用pip下载工具？

笔者平时也是使用Python3的，之前想尝试在Python3下使用Selenium发现使用不了。笔者使Anaconda在命令行

Conda install selenium

会发现Anaconda没有这个库。

7. 推荐资料

• 《Python网络爬虫从入门到实践》—唐松（非常赞的一本书 17年刚刚出版）

• 《Selenium2 自动化测试实战》—虫师（推荐虫师的博文，非常不错）

有兴趣的朋友可以了解Scrapy框架，爬虫非常好用，实用。爬虫效率会得到大大提升。

8. 写在最后的话

真的真的非常感谢各位能够来参加这场chat,这是我第一次做chat,感谢各位的支持。感激不尽。如果本文能给你带来些许帮助，这真是我的荣幸。感谢。

松爱家的小秦

近期热文

《TensorFlow 人脸识别网络与对抗网络搭建》

《带你从零开始，快速学会 Matlab GUI》

《Docker 落地踩过的坑》

《如何快速入门网络基础知识（TCP/IP 和 HTTP》

《Node 企业项目大规模实践》

福利

「阅读原文」看交流实录，你想知道的都在这里