image
这是简易数据分析系列的第 10 篇文章。
原文首发于博客园：简易数据分析 10。
友情提示：这一篇文章的内容较多，信息量比较大，希望大家学习的时候多看几遍。
我们在刷朋友圈刷微博的时候，总会强调一个『刷』字，因为看动态的时候，当把内容拉到屏幕末尾的时候，APP 就会自动加载下一页的数据，从体验上来看，数据会源源不断的加载出来，永远没有尽头。
image
我们今天就是要讲讲，如何利用 Web Scraper 抓取滚动到底翻页的网页。
今天我们的练手网站是知乎数据分析模块的精华帖，网址为：
https://www.zhihu.com/topic/19559424/top-answers
image
这次要抓取的内容是精华帖的标题、答题人和赞同数。下面是今天的教程。
1.制作 Sitemap
刚开始我们要先创建一个 container，包含要抓取的三类数据，为了实现滚动到底加载数据的功能，我们把 container 的 Type 选为 Element scroll down，就是滚动到网页底部加载数据的意思。
image
在这个案例里，选择的元素名字为 div.List-item。
image
为了复习上一节通过数据编号控制条数的方法，我们在元素名后加个 nth-of-type(-n+100)，暂时只抓取前 100 条数据。
image
然后我们保存 container 这个节点，并在这个节点下选择要抓取的三个数据类型。
首先是标题，我们取名为 title，选择的元素名为 [itemprop='zhihu:question'] a：
image
然后是答题人名字 name 与 赞同数 like，选择的元素名分别为 #Popover10-toggle a 和 button.VoteButton--up：
image
image
2.爬取数据，发现问题
元素都选择好了，我们按 Sitemap zhihu_top_answers -> Scrape -> Start craping 的路径进行数据抓取，等待十几秒结果出来后，内容却让我们傻了眼：
image
数据呢？我要抓的数据呢？怎么全变成了 null？
在计算机领域里，null 一般表示空值，表示啥都没有，放在 Web Scraper 里，就表示没有抓取到数据。
image
我们可以回想一下，网页上的的确确存在数据，我们在整个的操作过程中，唯一的变数就是选择元素这个操作上。所以，肯定是我们选择元素时出错了，导致内容匹配上出了问题，无法正常抓取数据。要解决这个问题，我们就要查看一下网页的构成。
3.分析问题
查看一下网页的构成，就要用浏览器的另一个功能了，那就是选择查看元素。
1.我们点击控制面板左上角的箭头，这时候箭头颜色会变蓝。
2.然后我们把鼠标移动到标题上，标题会被一个蓝色的半透明遮罩盖住。
3.我们再点击一下标题，会发现我们会跳转到 Elements 这个子面板，内容是一些花花绿绿看不大懂的代码
image
做到这里心里别发怵，这些 HTML 代码不涉及什么逻辑，在网页里就是个骨架，提供一些排版的作用。如果你平常用 markdown 写作，就可以把 HTML 理解为功能更复杂的 markdown。
结合 HTML 代码，我们先看看 [itemprop='zhihu:question'] a 这个匹配规则是怎么回事。
image
首先这是个树形的结构：
- 先是一个名字为 h2 的标签
<h2>...</h2>，它有个class='ContentItem-title'的属性； - 里面又有个名为 div 的标签
<div>...</div>，它有个itemprop='zhihu:question'的属性； - div 标签里又有一个 名字为 a 的标签
<a>...</a>； - a 标签里有一行字，就是我们要抓取的标题：
如何快速成为数据分析师？
上句话从可视化的角度分析，其实就是一个嵌套的结构，我把关键内容抽离出来，内容结构是不是清晰了很多？
<h2 class='ContentItem-title'/>
<div itemprop='zhihu:question'/>
<a>如何快速成为数据分析师？</a>
</div>
</h2>
我们再分析一个抓取标题为 null 的标题 HTML 代码。
image
我们可以很清楚的观察到，在这个标题的代码里，少了名为 div 属性为 itemprop='zhihu:question' 的标签！这样导致我们的匹配规则匹配时找不到对应标签，Web Scraper 就会放弃匹配，认为找不到对应内容，所以就变成 null 了。
找到原因后我们就好解决问题了。
4.解决问题
我们发现，选择标题时，无论标题的嵌套关系怎么变，总有一个标签不变，那就是包裹在最外层的，属性名为 class='ContentItem-title' 的 h2 标签。我们如果能直接选择 h2 标签，不就可以完美匹配标题内容了吗？
逻辑上理清了关系，我们如何用 Web Scraper 操作？这时我们就可以用上一篇文章介绍的内容，利用键盘 P 键选择元素的父节点：
image
放在今天的课程里，我们点击两次 P 键，就可以匹配到标题的父标签 h2 （或 h2.ContentItem-title）：
image
以此类推，因为答题人名字也出现了 null，我们分析了 HTML 结构后选择名字的父标签 span.AuthorInfo-name，具体的分析操作和上面差不多，大家可以尝试一下。
image
我的三个子内容的选择器如下，可以作为一个参考：
image
最后我们点击 Scrape 爬取数据，检查一下结果，没有出现 null，完美！
image
5.吐槽时间
爬取知乎数据时，我们会发现滚动加载数据那一块儿很快就做完了，在元素匹配那里却花了很多时间。
这间接的说明，知乎这个网站从代码角度上分析，写的还是比较烂的。
如果你爬取的网站多了，就会发现大部分的网页结构都是比较「随心所欲」的。所以在正式抓取数据前，经常要先做小规模的尝试，比如说先抓取 20 条，看看数据有没有问题。没问题后再加大规模正式抓取，这样做一定程度上可以减少返工时间。
6.下期预告
这期内容比较多，大家可以多看几遍消化一下，下期我们说些简单的内容，讲讲如何抓取表格内容。
网友评论