python 使用 selenium爬虫知乎回答 并保存为csv文件

实现效果

关于selenium库

     用途：

模拟人工打开浏览器并进行一些操作，类似于手机上的连点器和脚本，可以有效的解决弹窗类的反扒机制。

     使用：

pip 安装 ，下载浏览器驱动 ，给驱动配置环境 ，重启pycharm测试。

关于panda库

    用途：

将字典转换成dataframe并更以csv的形式导出。

    使用：

pip 安装即可。

代码

from selenium import webdriver  # 从selenium导入webdriver
from selenium.webdriver.common.by import By  # 内置定位器策略集
from selenium.webdriver.support.wait import WebDriverWait  # 用于实例化一个Driver的显式等待
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.action_chains import ActionChains
from pandas.core.frame import DataFrame

option = webdriver.ChromeOptions()
option.add_argument("headless")
driver = webdriver.Chrome()  # chrome_options=option  这个参数设置之后可以隐藏浏览器
driver.get('https://www.zhihu.com/question/284206141')  # 修改这里的地址


def waitFun():
    js = """
    let equalNum = 0;
    window.checkBottom = false;
    window.height = 0;
    window.intervalId = setInterval(()=>{
        let currentHeight = document.body.scrollHeight;
        if(currentHeight === window.height){
            equalNum++;
            if(equalNum === 2){
                clearInterval(window.intervalId);
                window.checkBottom = true;
            }
        }else{
            window.height = currentHeight;
            window.scrollTo(0,window.height);
            window.scrollTo(0,window.height-1000);
        }
    },1500)"""
    # 这个暂停一下是因为要等待页面将下面的内容加载出,这个 1500 可以根据自己的网络快慢进行适当的调节
    # 这里需要往上移动一下，因为不往上移动一下发现不会加载。
    driver.execute_script(js)


# selenium 可以获取 浏览器中 js 的变量。调用的js return
def getHeight(nice):
    # 这里获取 js 中的 checkBottom 变量，作为到底部时进行停止。
    js = """
    return window.checkBottom;
    """
    return driver.execute_script(js)


try:
    # 先触发登陆弹窗。
    WebDriverWait(driver, 40, 1).until(EC.presence_of_all_elements_located(
        (By.CLASS_NAME, 'Modal-backdrop')), waitFun())

    # 点击空白关闭登陆窗口
    ac = driver.find_element_by_xpath('//body/div[4]/div[1]/div[1]/div[1]/div[2]/button[1]/*[1]')
    ActionChains(driver).move_to_element(ac).double_click(ac).perform()

    # 当滚动到底部时
    WebDriverWait(driver, 40, 3).until(getHeight, waitFun())

    # 获取回答
    answerElementArr = driver.find_elements_by_css_selector('.RichContent-inner')  # .List-item

    # 获取id
    idElementArr = driver.find_elements_by_css_selector('div.AuthorInfo-head > span.UserLink')  # .List-item

    # 获取日期
    dateElementArr = driver.find_elements_by_css_selector('.ContentItem-time')  # .List-item

    # 获取标题
    title = driver.find_element_by_class_name('QuestionHeader-title')
    filename = title.text

    # 创建list
    a = []
    b = []
    c = []

    # id写入
    for uid in idElementArr:
        a.append(uid.text)
    # 答案写入
    for answer in answerElementArr:
        b.append(answer.text)

    # date写入
    for date in dateElementArr:
        c.append(date.text)
    # 将列表转换成字典
    d = {"id": a, "answer": b, "date": c}
    # 创建 Dataframe
    dateframe = DataFrame(d)

    # 到出 csv文件
    dateframe.to_csv("./{}.csv".format(title.text),index=False)
    print(len(answerElementArr))
    print(len(idElementArr))
    print(len(dateElementArr))
    print('爬取问题 ' + title.text + str(len(answerElementArr)) + ' 条，存入到csv文件中')

finally:
    driver.close()  # close the driver

这套代码是在  python 使用 selenium 爬虫知乎 的基础上进行了完善，将自动关闭登陆窗的机制改为xpath定位元素双击，然后自动向下滑动，并将结果以csv的形式写入方便以后进行数据处理。