スクレイパーをたくさん書いてきましたが、無限スクローラーの扱い方がよくわかりません。最近のほとんどのウェブサイトなど、Facebook、Pinterestには無限のスクローラーがあります。
Seleniumを使用して、TwitterやFacebookなどの無限スクロールWebサイトをスクラップできます。
ステップ1:pipを使用してSeleniumをインストールする
pip install Selenium
手順2:以下のコードを使用して無限スクロールを自動化し、ソースコードを抽出します
from Selenium import webdriver
from Selenium.webdriver.common.by import By
from Selenium.webdriver.common.keys import Keys
from Selenium.webdriver.support.ui import Select
from Selenium.webdriver.support.ui import WebDriverWait
from Selenium.common.exceptions import TimeoutException
from Selenium.webdriver.support import expected_conditions as EC
from Selenium.common.exceptions import NoSuchElementException
from Selenium.common.exceptions import NoAlertPresentException
import sys
import unittest, time, re
class Sel(unittest.TestCase):
def setUp(self):
self.driver = webdriver.Firefox()
self.driver.implicitly_wait(30)
self.base_url = "https://Twitter.com"
self.verificationErrors = []
self.accept_next_alert = True
def test_sel(self):
driver = self.driver
delay = 3
driver.get(self.base_url + "/search?q=stckoverflow&src=typd")
driver.find_element_by_link_text("All").click()
for i in range(1,100):
self.driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
time.sleep(4)
html_source = driver.page_source
data = html_source.encode('utf-8')
if __name__ == "__main__":
unittest.main()
ステップ3:必要に応じてデータを印刷します。
無限スクロール機能を備えたほとんどのサイトは(Lattywareのように)適切なAPIも備えており、スクレイピングではなく、これを使用するほうがサービスが向上する可能性があります。
しかし、あなたがこする必要がある場合...
このようなサイトは、ページの下部に到達すると、JavaScriptを使用してサイトに追加のコンテンツを要求します。あなたがする必要があるのはその追加コンテンツのURLを理解することだけであり、あなたはそれを取得することができます。必要なURLを把握するには、スクリプトを検査するか、Firefox Webコンソールを使用するか、または debug proxy を使用します。
たとえば、Firefox Webコンソールを開き、Netを除くすべてのフィルターボタンをオフにして、スクレイピングするサイトをロードします。ロードされると、すべてのファイルが表示されます。 Webコンソールを見ながらページをスクロールすると、追加のリクエストに使用されているURLが表示されます。次に、そのURLを自分で要求し、データの形式(おそらくJSON)を確認して、それをPythonスクリプトに取り込みます。
AjaxソースのURLを見つけることは最良のオプションですが、特定のサイトでは扱いにくい場合があります。または、QWebKit
のPyQt
のようなヘッドレスブラウザを使用して、DOMツリーからデータを読み取るときにキーボードイベントを送信することもできます。 QWebKit
には、素晴らしくシンプルなAPIがあります。