selenium进行xhs图片爬虫：05xhs一个博主的全部文章链接获取

news2024/10/5 12:50:50

在今天的文章中，是需要进行保持登录状态的，如果没有登录状态。会导致xhs博主下的文章数量缺失。

我使用的仍然是selenium远程调试，也就是我之前说的selenium操作已经打开的浏览器。这块内容配置还是挺简单的，大家可以去试试。

今天要实现的功能就是，使用selenium进行获取到xhs指定博主页面下的所有文章链接。

# TODO 实现免登录爬虫
options = Options()
options.add_experimental_option("debuggerAddress", "127.0.0.1:9527")
driver = webdriver.Chrome(options=options)
time.sleep(3)

这块内容就是实现免登录功能，给你三秒钟时间，打开Chrome（你也可以之前打开了）。

url = "https://www.xiaohongshu.com/user/profile/6520e7d10000000024017cfc"
# url = "https://www.xiaohongshu.com/user/profile/6262794f000000002102a1e4"
# 访问某个网页
driver.get(url)
driver.maximize_window()

这块内容就是去访问该网址，并且最大化浏览器页面。方便后续操作。

# TODO 该函数是用来返回每次网页中的链接最后数字，如https://www.xiaohongshu.com/explore/65f23536000000000d00f0cd的65f23536000000000d00f0cd，方便后续构造函数
def get_url_code(content):
    url_pattern = re.compile(r'href="/explore/(.*?)"')
    matches = url_pattern.findall(content)
    return matches

这块内容，就是使用正则表达式，对网页中的每个图文或者视频链接的提取，当然我这里提取的是网页链接的最后片段的数字，后续可以进行拼接，产生可以访问的链接。

temp_height = 0
url_code_list = []
while True:
    content = driver.page_source
    new_url_list = get_url_code(content)
    # print(new_url_list)
    url_code_list += new_url_list
    # 循环将滚动条下拉
    driver.execute_script("window.scrollBy(0,600)")
    # sleep一下让滚动条反应一下
    time.sleep(1)
    # 获取当前滚动条距离顶部的距离
    check_height = driver.execute_script(
        "return document.documentElement.scrollTop || window.pageYOffset || document.body.scrollTop;")
    # 如果两者相等说明到底了
    if check_height == temp_height:
        print("到底了")
        break
    temp_height = check_height
    print(check_height)

我这段代码的功能就是用来实现滚轮往下滚，直到最底部。

由于xhs等平台，使用的是异步请求，你滚动过后，浏览器中的源代码啥的也会相应产生变化。因此我需要每滚动一次或者几次，就得调用一下content = driver.page_source重新获取一下网页的源代码，然后对其进行获取链接的最后一段字符（后续拼接成网址）。
也就是new_url_list = get_url_code(content)获得了每次的链接最后一段字符。每次返回的都是一个列表。

然后我使用列表相加，将每次获得的最后一段字符，整合到一个大的列表中。后续对其进行去重（按顺序排序）。

这里需要注意的是，window.scrollBy(0,600)的600表示每次滚动的多少，不能太大，否则就会导致一部分数据跳过去了，也不能太小，不然时间耗不起。

然后我需要计算一下是否到底部，没到就继续滚动。

unique_url_code_list = list(Counter(url_code_list))
print(unique_url_code_list)
print(len(unique_url_code_list))

这段代码就是用来对一个列表去重的，COunter可以保证顺序，乱序的后果就是图片乱了，影响较大。我在其他文章中也介绍过两个列表，甚至多个列表按顺序去重的代码，可以学习一下。

# 要添加的字符串
added_string = 'https://www.xiaohongshu.com/explore/'
# 创建一个空列表来存放结果
new_url_list = []

# 循环遍历原始列表，将每个元素加上相同的字符串并存放到新的列表中
for x in unique_url_code_list:
    new_url_list.append(added_string+x)

print(new_url_list)  # 输出加上相同字符串后的新列表
new_url_list = new_url_list[::-1]  # 倒序变成顺序
print(new_url_list)

这段代码就是用来拼接的，将列表中的每个链接最后一段字符拼接上前面的内容，从而变成一个完整的文章网址。

此外，我这里还将链接顺序从现在-过去，转了一下，变成从过去-现在，符合更新文章的逻辑顺序。

当然，也可以将上面的拼接＋逆序封装成一个函数。

def get_url_list(unique_url_code_list):
    added_string = 'https://www.xiaohongshu.com/explore/'
    # 创建一个空列表来存放结果
    new_url_list = []

    # 循环遍历原始列表，将每个元素加上相同的字符串并存放到新的列表中
    for x in unique_url_code_list:
        new_url_list.append(added_string + x)

    print(new_url_list)  # 输出加上相同字符串后的新列表
    new_url_list = new_url_list[::-1]  # 倒序变成顺序
    return new_url_list