用Python+Selenium爬取今日头条关于江歌案的文章

用Python+Selenium爬取今日头条关于江歌案的文章

关于江歌案的讨论和分析，我呢，当然是站在正义一方的，而且我也不想重复那些结论了。

不过网上仍然有很多关于江歌案的文章和讨论，我也想了解一下其他人的看法，了解一下舆情（笑）。但你让我一个个看下去，emmmmm……力不从心啊。

作为新时代的文科生，我就班门弄斧写了个小爬虫，爬了一些文章下来。

这篇文章就介绍一下这个。

一、准备

对于这方面有所了解的人来说可能没什么，但我还是写一下吧。

首先，我们需要安装Python运行环境。如果你用的是macOS，那么你的系统里面实际已经预装好了Python。如果是windows，可以上网搜索python官网，进去下载相应版本即可。

然后我们要使用到许多扩展包的功能。因此最好安装一个Python工具套装。只需要一次安装，以后大部分的功能就都已集成了。不必每次使用新功能，都去零敲碎打地安装新包了。

Python的套装有许多种，这里推荐的是anaconda。这款软件包的安装更为便捷，扩展包的涵盖范围与结构更合理。

请你到https://www.anaconda.com/download/下载anaconda套装。下拉网页找到下载位置。根据你的操作系统类型选择合适的版本。



选择3.X版本，这是python的未来。

接着请打开cmd命令台（命令提示符），键入以下命令。因为我不是单纯的只是爬取文章，还有词云制作，因而要下的包还有蛮多。

mkdir demo

cd demo

现在我们有一个专用的工作目录，叫做demo了。接下来进入demo文件夹，因为我已经创建了，所以如下图所示。



在命令行下，先执行：pip install wheel

然后，再执行：pip install wordcloud（此包常用于词云制作，本文不会用到）

以及：pip install jieba （此包本文不会用到）

接着执行：pip install selenium



同样，我已经全部安装了，我们需要的全部Python运行环境也终于装好了。

请务必按照上述步骤执行，确保每一步都已经顺利完成。否则一旦遗漏，后面运行程序会报错。

二、代码

在命令行下，执行：jupyter notebook

浏览器会自动开启，并且显示如下界面。

当然，那个文件不是本来就有的，这里不管它。这就是咱们刚才的劳动成果——安装好的运行环境了。我还没有编写程序。



回到Jupyter笔记本的主页面。我们点击New按钮，新建一个笔记本(Notebook)。在Notebooks里面，请选择Python 3选项。



系统会提示我们输入Notebook的名称。程序代码文件的名称，你可以随便起。然后就
4000
出现了一个空白的笔记本，供我们使用了。

我起的是今日头条爬取。



接着进入该ipynb文件，看到文本框。

如下图所示，在文本框里敲入下列代码。务必逐字根据示例代码输入，空格数量都不可以有差别。这与语言特性有关，一时半会说不完。

这段代码引入（import）一些库，用于存为csv文件，控制时间，和控制selenium工具。然后我们定义了一个函数，用于将文本内容写入CSV文件中。输入后，按Shift+Enter键，就可以执行了。



当然，没什么用，因为还没写主函数呢。

然后，分别照下图键入相应代码。



这段用于打开Chromedriver，即为谷歌浏览器驱动程序。事先要下好存入相应目录 。



这段则是将URL写入。

其实就是在今日头条下搜索“江歌案”出来的页面的地址。

运行。



如上图显示，Chrome受到selenium的控制，打开了相应网页，也就得到了该页面的html文档。然后写入下段代码吗，get一下这个页面。程序会自动打开相应页面。

接着是下述内容，这里难以全部说清，简单的说，我找到了其中的文章元素，进去抓取了发布者的id、发布时间、文章标题和文章内容。并用上面定义的towrite函数写入文档中。



输入后，按Shift+Enter键，就可以执行了。



然后你很快就会发现桌面出现了一个文档。



打开一下，可以看到：



最后一条：



转化为txt文件：



三、最后又不是最后

虽然介绍有点长，但其实用不了多久，也就十几行代码。或许会觉得太麻烦了，但如果把上面代码中range（）内的数值改为1000呢，那就可以抓取多少文章下来啊。

当然，那时也可以换一种框架。

本来还有后文的，也就是用文档内容制作词云提取关键词，分析文本中的情感，看人们的情绪如何随着事件进程变化的（这就是为什么我要爬取发布时间的原因了），然后绘画一下时间序列上的舆情分布图表……还想试一试SPSS社会统计学软件的作用……

这样就能知道很多东西了。

不过快要考试了。

所以，只好下次了。


（先放张图）

注：本文写于17年12月份，起于个人兴趣。现在搬上来作为CSDN的首作(笑)。今后也要认真地学习，认真地写博客监督自己。