前情提要

前一篇與大家介紹了 Selenium 的基本運用，並在補充資料中給予了語法的資源。

開始之前

今天要帶各位寫一隻能夠爬取 Dcard 上文章的爬蟲，是透過 Selenium 去撰寫。

預期效果

透過 Selenium 成功開啟 Dcard 分頁(瀏覽器分頁)

用 Selenium 內建的鎖定工具爬取目前的所有文章

將文章存於 JSON 檔案中

實作

首先，先簡單撰寫一個 Selenium ，讓 Selenium 去開 Dcard 網站 https://www.dcard.tw/f。

from selenium import webdriver
driver = webdriver.Chrome()
driver.get('https://www.dcard.tw/f')

接下來用開發工具觀察一下文章元素是否有 class 讓我們爬取。發現有 tgn9uw-0 bReysV 這個 class。

我們可以用 driver.find_elements_by_class_name 來定位該元素們，並用個 for-loop 將回傳的 list 遍歷過一遍後輸出。

如果沒有鎖定到，有可能是還沒有載入完成就爬取造成的，這時候我們能用 time 庫裡面的 sleep 來讓整個程式暫停 0.5 秒讓資源載入完成。

from selenium import webdriver
from time import sleep
if __name__ == '__main__':

    driver = webdriver.Chrome()
    driver.get('https://www.dcard.tw/f')

    sleep(2)
    eles = driver.find_elements_by_class_name('tgn9uw-0')
    for ele in eles:
        print(ele)
    driver.quit()

'''
<selenium.webdriver.remote.webelement.WebElement (session="753badfd9b587e097ab5e821cf9604eb", element="ee2da9f1-a5d0-41fc-80d7-63bf394e7267")>
<selenium.webdriver.remote.webelement.WebElement (session="753badfd9b587e097ab5e821cf9604eb", element="02573927-21b1-405c-9310-8a050aa6ec8f")>
<selenium.webdriver.remote.webelement.WebElement (session="753badfd9b587e097ab5e821cf9604eb", element="584200b4-5633-44f4-a048-e2bd3ebeb636")>
<selenium.webdriver.remote.webelement.WebElement (session="753badfd9b587e097ab5e821cf9604eb", element="aa05e5c6-defb-4087-84b3-a9d6dbe4131d")>
<selenium.webdriver.remote.webelement.WebElement (session="753badfd9b587e097ab5e821cf9604eb", element="85badbb3-7238-4b6e-9892-b7e71e8ac2f9")>
'''

將標題、連結、副標鎖定後存到變數中。

from selenium import webdriver
from time import sleep
if __name__ == '__main__':
    driver = webdriver.Chrome()
    driver.get('https://www.dcard.tw/f')
    sleep(2)
    eles = driver.find_elements_by_class_name('tgn9uw-0')
    for ele in eles:
        title = ele.find_element_by_class_name('tgn9uw-3').text
        href = ele.find_element_by_class_name('tgn9uw-3').get_attribute('href')
        subtitle = ele.find_element_by_class_name('tgn9uw-4').text
        print(title)
        print(href)
        print(subtitle)
    driver.quit()

將結果存於一個 dist 中，並 append 到總結果當中。

from selenium import webdriver
from time import sleep
if __name__ == '__main__':
    results = []
    driver = webdriver.Chrome()
    driver.get('https://www.dcard.tw/f')
    sleep(2)
    eles = driver.find_elements_by_class_name('tgn9uw-0')
    for ele in eles:
        result = {}
        title = ele.find_element_by_class_name('tgn9uw-3').text
        href = ele.find_element_by_class_name('tgn9uw-3').get_attribute('href')
        subtitle = ele.find_element_by_class_name('tgn9uw-4').text
        result = {
            'title': title,
            'href': href,
            'subtitle': subtitle
        }
        results.append(result)
    print(results)
    driver.quit()

接下來將結果存於 JSON 檔案中。

from selenium import webdriver
from time import sleep
import json

if __name__ == '__main__':
    results = []
    driver = webdriver.Chrome()
    driver.get('https://www.dcard.tw/f')
    sleep(2)
    eles = driver.find_elements_by_class_name('tgn9uw-0')
    for ele in eles:
        result = {}
        title = ele.find_element_by_class_name('tgn9uw-3').text
        href = ele.find_element_by_class_name('tgn9uw-3').get_attribute('href')
        subtitle = ele.find_element_by_class_name('tgn9uw-4').text
        result = {
            'title': title,
            'href': href,
            'subtitle': subtitle
        }
        results.append(result)
    print(results)
    with open('Dcard-articles.json', 'w', encoding='utf-8') as f:
        json.dump(results, f, indent=2,
                  sort_keys=True, ensure_ascii=False)
    driver.quit()

結語

今天分析了文章的元素特徵，用了 Selenium 模擬使用者鎖定所有文章的元素，之後操作鎖定到的元素將其存在變數中，整理到一個字典，並塞入一個串列中，最後將串列存到 JSON 檔案中。

明日內容

明天將用 Selenium 模擬使用者滾動頁面(划手機 or 滾輪)，並將文章爬取下來。

補充資料

Dcard : https://www.dcard.tw/f

Selenium with Python docs : https://selenium-python.readthedocs.io/

Selenium docs : https://readthedocs.org/projects/selenium-python/downloads/pdf/latest/