【Python3.6爬虫学习记录】（七）使用Selenium+ChromeDriver爬取知乎某问题的回答

前言：之前尝试爬取知乎的回答，虽然在开发者中源码显示了许多回答，但只能爬取前两个。经过各种查阅及调试，大致理解如下：
人为的可以看到很多回答，但是爬虫中直接打开网页只能看到一个页面以内的（可以打印出来，看到读取的url源码只有前两个回答）。因为网页是动态js加载的。
本文主要介绍selenium的安装，以及chromedriver的安装及遇到的问题，以及使用selenium自动打开谷歌浏览器，自动对页面向下滑动，然后读取源码，进行回答的读取保存。

安装Selenium:
命令行输入，即可

pip install selenium

Selenium的简单使用
Selenium的用法教程
Selenium的使用文档
简单的模拟打开百度并搜索Python

    from selenium import webdriver
    from selenium.webdriver.common.keys import Keys
    driver = webdriver.Chrome()
    # 打开请求的url
    driver.get('http://www.baidu.com/')
    # 通过name属性寻找网页元素，此处寻找输入框
    elem = driver.find_element_by_name('wd')
    # 模拟输入Python
    elem.send_keys('Python')
    # 模拟点击回车
    elem.send_keys(Keys.RETURN)
    # 获取网页渲染后的源代码
    print(driver.page_source)

运行。

ChromeDriver的安装：
当然事情并没有这么简单，运行报错：
selenium.common.exceptions.WebDriverException: Message: ‘ChromeDriver executable needs to be available in the path.

因为没有安装ChromeDriver （官方下载
网盘链接：http://pan.baidu.com/s/1pLSG8mZ 密码：qytm）

本人使用windows 10，下载后，解压里面只有chromedriver.exe，直接解压到D:\Python\Scripts（找到自己安装的python目录）。
再运行就OK了。
PS：网上的解压到谷歌浏览器，配置环境变量，都试过，反正我都没成功。
参考：安装selenium使用webdriver出现的问题

代码及注释：

# 对于动态加载的网页，例如知乎，需要使用Selenium+ChromeDriver(或PhantomJS)
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
import time

# 写一个关于刀的故事
url = 'https://www.zhihu.com/question/45694301'

# 让界面滚动的函数 --
def scroll(driver):
    driver.execute_script("""
           (function () {
               var y = document.body.scrollTop;
               var step = 100;
               window.scroll(0, y);


               function f() {
                   if (y < document.body.scrollHeight) {
                       y += step;
                       window.scroll(0, y);
                       setTimeout(f, 50);
                   }
                   else {
                       window.scroll(0, y);
                       document.title += "scroll-done";
                   }
               }
               setTimeout(f, 1000);
           })();
           """)

driver = webdriver.Chrome()
driver.get(url)
scroll(driver)
# 等到滑到最下面
time.sleep(150)
html = driver.page_source

soup = BeautifulSoup(html,'lxml')
storys = soup.find_all('div',class_="List-item")
for story in storys :
    nameLabel = story.find('meta',itemprop="name")
    name = nameLabel["content"]
    with open('有哪些关于刀的故事\By '+str(name)+'.txt','w') as f:
        storyText = story.find('span', class_="RichText CopyrightRichText-richText")
        storyPages = storyText.find_all('p')
        # 打印看标签内容到底是什么
        # print(storyPages)
        try:
                for storyPage in storyPages:
                    f.write(str(storyPage.string)+'\n')
                print('By '+str(name)+' has been finished')
        except Exception:
            print('Something is wrong on writing to txt')

print('That is all')

运行结果截图：

相关问题：
①未解决的问题
1）下载图片，使用HTML文件保存图片及文字
2）存在‘查看更多’按钮，无法下载所有答案。可以添加点击‘查看更多’按钮函数，以及判断是否到底的的函数

②存在文章内容为none
具体因素不太清楚，可能是因为换行了的
将

        storyPages = storyText.find_all('p')
        # 打印看标签内容到底是什么
        # print(storyPages)
        try:
                for storyPage in storyPages:
                    f.write(str(storyPage.string)+'\n')

改为

        for string in  storyText.strings:
             f.write(repr(string) + '\n')

能把所有内容打印出来，但是首尾有单引号，并且把图片源码打印出来。

③参考资料
1）模拟界面滚动
使用selenium爬取知乎任意一个问题下，所有回答中的图片（使用python3，注释很详细，很有参考价值）
2）关于爬取知乎的总结
Python爬虫爬取知乎小结（使用的python2，但内容很丰富，提供了思路）

④关于selenium的一些思路
自此，可以模拟登陆，可以做到模拟点击，翻页等一系列好玩的操作
当然，目前，每次运行都会自动打开浏览器，有点不太友好
可以使用Selenium+PhantomJS运行，PhantomJS是一个*面的浏览器
运行时会觉得速度太慢，可以升级为多线程
当目标过大，可以采取分布式
当运行时间过长，或者定时运行，可以到放到云服务器
当然，以上的均为YY，但至少有了下一步学习思路。

天道酬勤。
百尺高楼起于垒土。