使用Selenium+PhantomJS抓取腾讯动漫漫画图链接

共计 1855 个字符，预计需要花费 5 分钟才能阅读完成。

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~ 。

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：

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：

from selenium import webdriver
import time
if __name__ == '__main__':
    driver = webdriver.PhantomJS()
    driver.get("http://ac.qq.com/ComicView/index/id/631111/cid/4")
    time.sleep(3)
    out_html= driver.find_element_by_xpath("//*").get_attribute("outerHTML")

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：

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：

driver = webdriver.PhantomJS()
    driver.get("http://ac.qq.com/ComicView/index/id/631111/cid/4")
    time.sleep(3)
    driver.execute_script("""
        var temp_index = 100;
        setInterval(function(){window.scrollTo(0,temp_index+=100);
        },30);
    """)
    time.sleep(5)
    out_html = driver.find_element_by_xpath("//*").get_attribute("outerHTML")

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：

from selenium import webdriver
import time
from bs4 import BeautifulSoup

if __name__ == '__main__':
    driver = webdriver.PhantomJS()
    driver.get("http://ac.qq.com/ComicView/index/id/631111/cid/4")
    time.sleep(3)
    driver.execute_script("""
        var temp_index = 100;
        setInterval(function(){window.scrollTo(0,temp_index+=100);
        },30);
    """)
    time.sleep(5)
    out_html = driver.find_element_by_xpath("//*").get_attribute("outerHTML")
    soup = BeautifulSoup(out_html)
    comic_contain = soup.find('ul', id='comicContain')
    img_list = comic_contain.find_all('img', class_='loaded')
    for i in img_list:
        print(i['src'])  # 章节内每个漫画图的真实 URL

效果为：

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~