python + selenium + PhantomJS 获取腾讯应用宝APP评论

PhantomJS

PhantomJS 是一个基于WebKit的服务器端JavaScript API，它无需浏览器的支持即可实现对Web的支持，且原生支持各种Web标准，如DOM 处理、JavaScript、CSS选择器、JSON、Canvas和可缩放矢量图形SVG。PhantomJS主要是通过JavaScript和 CoffeeScript控制WebKit的CSS选择器、可缩放矢量图形SVG和HTTP网络等各个模块。PhantomJS主要支持Windows、 Mac OS、Linux三个平台，并且提供了对应的二进制安装包。

PhantomJS 的使用场景如下：

无需浏览器的Web测试：无需浏览器的情况下进行快速的Web测试，且支持很多测试框架，如YUI Test、Jasmine、WebDriver、Capybara、QUnit、Mocha等。

页面自动化操作：使用标准的DOM API或一些JavaScript框架（如jQuery）访问和操作Web页面。

屏幕捕获：以编程方式抓起CSS、SVG和Canvas等页面内容，即可实现网络爬虫应用。构建服务端Web图形应用，如截图服务、矢量光栅图应用。

网络监控：自动进行网络性能监控、跟踪页面加载情况以及将相关监控的信息以标准的HAR格式导出。

PhantomJS 已形成了一个功能非常强大的生态圈内容,相关项目如下：

CasperJS：一个开源的导航脚本处理和高级测试工具

Poltergeist ：测试工具Capybara的测试驱动

Guard::Jasmine：能够基于Rails实现自动化测试Jasmine的Specs

GhostDriver：远程 WebDriver 有线协议的开源实现

PhantomRobot：PhantomJS机器人测试框架

Mocha-PhantomJS：JavaScript测试框架Mocha的客户端

此 外，生态圈还包括基于PhantomJS实现了众多截屏工具，如capturejs、pageres、phantomjs-screenshots、 manet、screenshot-app等；以及Node.js、Django、PHP、Sinatra等语言的截图API和Confess、 GhostStory、Grover等众多工具。

下载地址：

http://phantomjs.org/download.html

代码样例:

#/usr/bin/env python
# -*- coding: utf-8 -*-

from selenium import webdriver
import time
import xlsxwriter
import json

def main(url):

driver = webdriver.PhantomJS()
driver.get(url)
time.sleep(5)

with open("./tencent_yyb.json", "wb") as write_obj:
try:
# numstr = driver.find_elements_by_xpath('//*[@id="J_CommentCount"]')[0].text
# num = int(numstr[1:4])
flag = True
while flag:  # 循环，无法点击“查看更多评论”报错，重置标志位flag完成获取所有内容
try:
driver.find_element_by_id("J_DetCommentShowMoreBtn").click()  # 点击“查看更多评论”
#driver.implicitly_wait(10)
time.sleep(1)
except Exception as err:
print err
flag = False

data = driver.find_elements_by_xpath('//*[@id="J_DetDataContainer"]/div/div[8]/ul/li')

repeat = {}  # 缓存数据
for item in data:
val_list = item.text.split('\n')
if len(val_list) == 3:
ptime = val_list[1].encode("utf-8")
pcontent = val_list[2].encode("utf-8")
if ptime not in repeat.keys():  # 去重
repeat[ptime] = pcontent
write_obj.write("{\"发布时间\":\"" + ptime + "\", \"发布内容\":\"" + pcontent + "\"}\n" )
else:
ptime = val_list[1].encode("utf-8")
pcontent = ' '
if ptime not in repeat.keys():
repeat[ptime] = pcontent
write_obj.write("{\"发布时间\":\"" + ptime + "\", \"发布内容\":\"" + pcontent + "\"}\n" )
except Exception as err:
print err
finally:
driver.quit()

def get_num(name):
jfilename = "./" + name + ".json"
count = len(open(jfilename, "rU").readlines()) - 1
return count

# xls转换写入
def w_xls(url, name):
perfix = time.strftime('%Y%m%d')
xfilename = "./" + name + '_' + perfix + ".xlsx"
jfilename = "./" + name + ".json"
workbook = xlsxwriter.Workbook(xfilename)
worksheet1 = workbook.add_worksheet()
lines = int(get_num(name))
worksheet1.set_column = ('A:C', lines+1)
worksheet1.write('A1', 'URL')
worksheet1.write('B1', u'发布时间')
worksheet1.write('C1', u'发布内容')

row = 1
with open(jfilename, "r") as obj_read:
for line in obj_read.readlines():
data = json.loads(line)
worksheet1.write(row, 0, url)
worksheet1.write(row, 1, data[u'发布时间'])
worksheet1.write(row, 2, data[u'发布内容'])
row += 1

if __name__ == '__main__':

url = ''

main(url)
time.sleep(3)
w_xls(url, "tencent_yyb")

View Code