使用Selenium+PhantomJS抓取腾讯动漫漫画图链接

前言

上周一位朋友在进行一些项目开发时,其中需要用到腾讯动漫中动漫的图片,但是自己手动一张一张另存为图片进行保存太浪费时间了,于是就用Python来进行抓取,但是很无奈腾讯动漫的章节动漫DOM元素是异步加载的,另外图片也使用了懒加载,使用一般的抓取方式肯定是行不通,于是我们就进行分析了一波,最终成功的获取到图片链接,之后就可以为所欲为了~ :grin:

正文

首先,我们需要选取一部动漫,就拿《最强兵王》作为例子吧,获取他第一章节的url,即为http://ac.qq.com/ComicView/index/id/631111/cid/4,首先我们先看看页面渲染的HTML:
使用Selenium+PhantomJS抓取腾讯动漫漫画图链接
由上图可以看出,漫画的主题部分均是使用JS模板来进行渲染的,所以我们需要等页面加载完成之后,在获取他的HTML元素:

上述代码中,我们将webdriver获取到页面之后进行睡眠3秒(即为等待3秒后继续执行下面的代码),那么这个时候JS已经将完整的漫画DOM元素渲染完成,我们就可以直接获取到渲染之后的完整的HTML。

不过这个时候我们发现一个问题:就是所有的漫画内的图片的URL都是相同的:
使用Selenium+PhantomJS抓取腾讯动漫漫画图链接
然后进行简单的测试发现,漫画章节图使用了懒加载的模式,即为滚动到某个图片的上方固定PX值时才进行加载真实的URL图片,那么我们就需要执行一段JS来模拟浏览器滚动,但是滚动不能太快,否则懒加载不会进行图片加载。修改之后的代码为:

到这一步,我们就拿到了动漫章节包含真实的图片URL的完整HTML代码,接下来就可以为所欲为了,这里我使用了BeautifulSoup来进行获取属性值,所以最终的代码脚本为:

效果为:
使用Selenium+PhantomJS抓取腾讯动漫漫画图链接

后记

总体来说,本次代码的编写过程还算顺利,其对整个的情况分析也是比较清楚,另外现在越来越多的网站都是使用的异步加载,感觉之后又要有一波新的技术即将来袭~ :smile:

    A+
所属分类:Python

发表评论

请在下方填写评论信息

:?::razz::sad::evil::!::smile::oops::grin::eek::shock::???::cool::lol::mad::twisted::roll::wink::idea::arrow::neutral::cry::mrgreen:

表情 粗体 斜体 图片 引用 链接 删除线 下划线 插代码 签到

目前评论:5   其中:访客  3   博主  2

  1. avatar cess 2  来自天朝的朋友 谷歌浏览器 Windows 7 江苏省常州市 电信

    666.真的厉害。以前家里没有网,看小说就是是一张一张保存网页,超级惨,哈哈哈。

  2. avatar 广州网站建设 4  来自天朝的朋友 谷歌浏览器 Windows 7 广东省广州市 电信

    每日签到,生活更精彩 ~:2018-09-06 9:40:28

  3. avatar Dont 0  来自天朝的朋友 谷歌浏览器 Windows 7 广东省广州市 电信

    看起来用puppeteer也可以实现的样子。
    话说回来,看打印出来的图片地址后面跟上`/0`是什么意思?

    • avatar 憧憬Licoy 博主  来自天朝的朋友 谷歌浏览器 Windows 7 四川省成都市成华区 电信

      @Dont 看了一下Puppeteer的相关介绍,实现功能应该是没问题的;图片地址后面/0可能是一个路径变量吧,这个具体不清楚,不过我所需要的就是能够获取到图片资源就好。