初探 RSelenium —— 基于豆瓣电影的爬虫实例

使用 RSelenium 包可通过 R 实现对浏览器的自动控制，完成诸如“点击”，“输入”等操作，从而爬取动态页面，解放你的双手！

本文基于豆瓣电影网站的爬虫实例，对 RSelenium 包的使用做了初步的介绍。

工具准备

JAVA：安装 JAVA
Selenium Server：下载 selenium-server-standalone-版本号.jar （本文使用的是 3.4.0 版本）
Chrome：安装 Chrome
ChromeDriver：下载 chromedrive.exe

*注：*下载的 chromedriver.exe 需放置在 Chrome 浏览器的安装目录下，即和 chrome.exe 放在同一个文件目录下。并将该目录添加入 环境变量 中。

一般 Chrome 的默认安装路径为：C:\Program Files (x86)\Google\Chrome\Application 。

SelectorGadget ：[ ~~非必需~~ ] Chrome 扩展，可用于定位网页元素的 xpath 。不过，也可以用 Chrome 浏览器在网页右键选项卡中的“检查” 功能（快捷键：F12）。
所需 R 包： RSelenium 包：实现对浏览器行为的自动控制 rvest 包：读取网页，定位网页元素并提取文本 stringr 包：利用正则表达式进行字符串处理

Let's do it !

本文以“鹿晗”作为关键词（ ~~真爱粉们不要太较真~~ ），搜索其出演过的电影，最终整理出电影名、评分信息和评价人数表。

启动 Selenium Server

在所下载的 selenium-server-standalone-3.4.0.jar 文件目录下打开命令行，输入以下命令以启动Selenium Server ：

java -jar selenium-server-standalone-3.4.0.jar

你也可以把这个命令存成后缀为 .cmd 的文件放在该文件目录下，这样下次只需双击运行即可。

在 R 中连接 Server ，打开浏览器和目标网页

# 载入包
library(RSelenium)
library(rvest)
library(stringr)
# 连接 Server
remDr <- remoteDriver(remoteServerAddr = "127.0.0.1" ,
	port = 4444,
	browserName = "chrome"
)
# 打开浏览器
remDr$open()
# 打开目标网页
remDr$navigate("https://movie.douban.com/")

是不是发现，运行代码后自动启动了 Chrome ，并打开了豆瓣电影？！有没有一点紧张和小刺激？！😎

定位网页元素，并向其传入参数

RSelenium 包可通过 name 、 id 、 class 、 css-selectors 、 xpath 对网页元素进行定位。本文尽可能多地采取不同的方法来展示如何使用它们。

可以看到，我们需要定位到搜索框。使用 SelectorGadget 或者浏览器的“检查”功能，得到该搜索框的 name 为 search_text 。

在定位到搜索框后，需要传入 keyword 并”回车“，从而实现搜索。

findElement ：定位符合条件的网页元素
sendKeysToElement ：传入参数

# 设置搜索词
keyword<- "鹿晗"
# 定位网页元素
SearchBox <- remDr$findElement(using='name', value='search_text')
# 传入关键词和回车
SearchBox$sendKeysToElement(list(keyword, key = 'enter'))

现在网页应该变成了”鹿晗“所出演的电影列表了。

读取网页，得到所需元素的文本

首先，我们定位到每一部电影。通过浏览器的“检查”功能，可以看出每部电影的 class=”pl2“ 。定位到每部电影之后，提取其中的信息即可。

getElementAttribute ：得到网页信息

接下来就是静态网页的爬虫套路了，使用 rvest 包和 stringr 包里的函数即可。

read_html ：读取网页
html_nodes ：定位元素
html_text ：得到元素文本
str_replace_all 、 str_extract ：字符串处理

# 传入网页中所有的电影元素，将提取文本过程写成 MovieDataFunc 函数
MovieDataFunc<-function(MovieList)lapply(MovieList,function(i){
  		# 读取每部电影的元素
 		 doc<-i$getElementAttribute("outerHTML")[[1]]%>%
        	read_html()
        # 得到电影名 name
        name<-doc%>%
        	html_nodes("a")%>%
        	html_text()%>%
        	str_replace_all(pattern="\\s",replacement="")
        # 得到评分 rate
        rate<-doc%>%
        	html_nodes("span.rating_nums")%>%
        	html_text()
        # 得到评分人数 pl
        pl<-doc%>%
        	html_nodes("span.pl")%>%
        	html_text()%>%
        	str_extract(pattern="[:digit:]+")
        # 如果缺少评分或评分人数，则设置其为 NA
        rate<-ifelse(identical(rate,character(0)),NA,rate)
        pl<-ifelse(identical(pl,character(0)),NA,pl)
        # 返回电影名、评分和评分人数
        return(c(name,rate,pl))
      }
)
# 定位到第一页的所有电影元素
MovieList <- remDr$findElements('class','pl2')
# 得到第一页的电影信息
MovieData<-MovieDataFunc(MovieList)

将第一页的结果爬取完后，我们需要跳转到下一页，实现对所有搜索结果的爬取。

因此，需要判断还有多少页待爬取，遍历剩下的网页即可。

图中，"第二页"所对应的 xpath 为 //*[@id="content"]/div/div[1]/div[3]/a ；”后页“所对应的 class="next" ，我们使用 css-selectors 定位到它。

findElements ：定位所有符合条件的网页元素
clickElement ：点击

# 得到剩余网页信息
RemainPage <- remDr$findElements('xpath','//*[@id="content"]/div/div[1]/div[3]/a')
# 爬取剩余网页的电影信息
for(i in 1:length(RemainPage)){
    # 定位到”后页“
    NextPage <- remDr$findElement('css', '[class="next"]')
    # 模拟“点击”行为
    NextPage$clickElement()
    # 定位到当前网页的所有电影元素
    MovieList <- remDr$findElements('class','pl2')
    # 爬取当前网页的所有电影信息
    MovieData<-c(MovieData,MovieDataFunc(MovieList))
}

后续工作

当爬取了所有网页的信息之后，我们应当对结果进行整理，并储存。同时，关闭进程，退出浏览器。

quit ：关闭进程，退出浏览器

# 将 MovieData 的格式改为数据框，并更改列名
MovieData<-data.frame(t(sapply(MovieData,c)),stringsAsFactors = F)
colnames(MovieData)<-c("MovieName","Rate","RatePeopleNum")
# 创建 output 文件夹储存爬取结果，并将结果储存至相应的 .csv 文件中
if(!file.exists("output"))dir.create("output")
write.csv(MovieData,paste0("output/",keyword,"_moviedata.csv"),row.names = F)
# 关闭进程，退出浏览器
remDr$quit()

部分爬取结果如下图所示：

题外话

我们再做点有意思的工作~ 😜

在 cmd 中运行 Rscipt 命令可以运行 R 的脚本，并传入参数。我们只需要把 keyword<- "鹿晗" 改成 keyword<- commandArgs(T) 。

commandArgs ：在 Rscript 命令中传入参数

[ ~~非必需~~ ] 考虑到本人在 RStudio 中包安装路径并非与 R 默认的包安装路径相同，为了在运行 Rscipt 命令时，顺利载入所需的包，还需要在脚本开头添加所需加载包的位置。

此外，由于在运行 Rscipt 命令时，出现了缺失函数的错误，还需要额外载入 methods 包。

添加下列代码即可：

# 添加所需 R 包位置
.libPaths( unique(c( .libPaths(), "Your own R packages file folder") ))
# 载入额外的 methods 包
library(methods)
# 设定运行 Rscript 命令时传入参数
keyword<- commandArgs(T)

将该 R 脚本文件储存为 Crawler_DoubanMovie.R 。这样一来，你只需在 R 脚本文件所在文件目录下打开命令行工具，输入如下命令，就可以完成整个爬取工作，并得到输出的 .csv 文件了：

Rscript Crawler_DoubanMovie.R 鹿晗

你可以在本人的 github 上看到这个实例的完整代码。

本文作者：Vector

apollolrr/RSelenium_Crawler_DoubanMovie

初探 RSelenium —— 基于豆瓣电影的爬虫实例

工具准备

Let's do it !