這個記錄一下webscraper的使用過程。幫朋友爬取山東慈善總會的網(wǎng)頁。由于比較簡單，我不想寫代碼了，就用webscraper把。

首先是網(wǎng)站上的新聞，如圖：

這個新聞有13頁，都是比較簡單的網(wǎng)頁。問題在于要爬去多個頁面，然后提取二級頁面的內(nèi)容。

使用webscraper，?

這里就是需要二級頁面的內(nèi)容，包括title, time, content。links是設(shè)置的鏈接。?頁面的鏈接形式自由最后一個數(shù)字在變：

eaa-7aef73cf6329&page=2

如下：

?所以startI_url 就用中括號， 從1-13， 設(shè)置步長為1.這樣就會爬取13也的新聞標(biāo)題。

?

?然后，建立一個選擇器。設(shè)置名字是links, type 這里要選擇link，因為是鏈接，需要點擊進去，多選選中，然后點選每一個標(biāo)題，就可以得到新聞的鏈接。

?保存這個而選擇， 在下面在設(shè)置其他三個選擇器。

這里需要輸入名字是title， 需要點擊進入一個二級頁面。然后進一步選擇標(biāo)題，時間，內(nèi)容，逐個設(shè)置。

?

?設(shè)置好了以后，是這樣的。

可以看到他們的父選擇器是links。是上面的最開始的新聞目錄頁。

然后開始愉快的爬取。很快。?

下一步是爬取微博。

微博比較討厭，一直頭大，后來想了想，還是不寫代碼了。不管寫代碼和是其他，都得訪問微博手機版。因為微博電腦版很麻煩。所以推薦使用手機版。就是在電腦里登陸微博手機版。

比如山東慈善總會的微博。

電腦版是這樣的

而，手機版是這樣的。

?如果使用代碼，那么就需要分析這個地址。

?https://m.weibo.cn/api/container/getIndex?uid=5676362252&t=0&luicode=10000011&lfid=100103type%3D1%26q%3D%E5%B1%B1%E4%B8%9C%E6%85%88%E5%96%84%E6%80%BB%E4%BC%9A&type=uid&value=5676362252&containerid=1076035676362252&since_id=4613643721770979

就是旁邊兩個xhr應(yīng)該是都可以。然后變成json，提取內(nèi)容。也不是很麻煩。但是本著能省事就省事的原則，還是不想寫代碼。

就用webscraper把。

微博手機版要爬去，需要使用webscraper里面的 元素滾動選擇器。

具體是這樣的。

?首先新建一個container，他是ellement scroll down ，這里點select，選擇每一個微博的卡片。

?

這里需要注意的一點是，首頁有一個置頂微博，不用選，如果選它，就會影響后面的一般微博的選擇。

select的css是：

div:nth-of-type(n+4) div.card-wrap

其實我是有點懷疑這個css對不對。感覺好復(fù)雜，而且不一定能夠找到元素。不符合一點簡潔的原則，如果寫代碼的話，我肯定不會這樣用css。另外我還加上一個控制元素數(shù)量的css， 就是：

nth-of-type(-n+100)，這個是通過別的網(wǎng)頁看到的。但是這個功能以前我也用過。在代碼里面。沒想到webscraper里也可以這樣用， 就試試吧。

完整的選擇器

div:nth-of-type(n+4) div.card-wrap:nth-of-type(-n+100)

滾動100次，提取每一次所有的微博卡片內(nèi)容。另外，我看有些微博，還有全文鏈接。手賤又提取了全文的主要內(nèi)容。

?最后是這樣的。

?因位微博是簡要內(nèi)容，所以是brief，如果有全文鏈接，那么就提取全文。就是href里面的內(nèi)容。

?href里又弄了一個。

?腫起來是這樣的。

不過，webscraper好像沒有sleep功能。 我只找到延時，設(shè)置了3000ms

?

?后來，微博因位請求太頻繁，直接給我

?來了個小雞， 不過好在山東省慈善總會的內(nèi)容不多，基本上也爬完了。除了小雞，我也不糾結(jié)了。保存成csv發(fā)給同事了

我向應(yīng)該是我爬取全文，造成訪問太頻繁的原因。

總體來說還行，webscraper使用確實極大提高了工作效率，不用寫頭大的代碼了。

總結(jié)

以上是生活随笔為你收集整理的记录webscraper的使用过程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。