hhr346/qq_zone_crawl

Use the selenium and bs4 to crawl the text contents in someone's qq zone. Simulate the action of user's. 模仿用户行为通过Selenium对qq空间的文本内容进行爬取

QQ空间爬虫

该程序的主要实现过程是进入某位好友的空间中，并自动爬取说说的文本内容并存储到txt文件中。方法是使用Chrome浏览器的自动执行功能，来实现翻页，并对html的源代码进行文本提取，通过正则表达式来实现某一块内容的提取。将发布人名称、说说的文本内容、发布日期都写入一个文本文件中。

主要参考文章链接为(https://blog.csdn.net/weixin_43325134/article/details/105859772)

借鉴了该文章的思路，但根据我自己的需求做了较多的更改，具体有以下几个方面：

1. 更换了爬取的门户网站，从而更换了之前的自动向下滚动的方式，而是通过翻页的方式来爬取说说；
2. 没有用pyautogui的库，从而不需要让鼠标一直保持在浏览器上；
3. 我比较在意动态内容，所以在存储内容上也有所不同，并且将所有动态内容存储到一个文件里，从而更高效的利用空间；
4. 鲁棒性较好，不会因为刷新问题而找不到按钮从而报错；
5. 增加了对“展开全文”的点击，从而爬取完整的内容；

具体使用过程：

1. 下载和自己当前的浏览器版本一致的Chrome Driver，下载网址为(https://chromedriver.chromium.org/)；
2. 填入自己的qq号在my_qq变量里，和要爬取的好友qq号在friendlist，并且在程序运行前先登录桌面端的qq程序，从而更方便快捷的登录qq空间；
3. 运行程序，并注意可能存在的刷新问题。在出现问题时查看浏览器页面的情况（一般情况下等一段时间就好了）
4. 在out文件夹里存有爬取的好友列表的说说文件。

注意事项：

1. 有时候登录可能会比较慢，可以等一会或者重新打开一次（感觉自动登录的速度还不如我直接手动点击呢）；
2. 在网页元素刷新里延时时间很重要，因为刷新不及时导致其还是不能获取也是可能的；
3. 在使用正则表达式表达时，比较难找到一个普适性的规则，这里本来打算是添加“来自”这个手机标签的，但是有一些说说不会有这个标签（可能是桌面端发的），所以妥协就可能把一部分的来自xxx也加入到日期里了；
4. 该程序只处理文本，所以图片和只转发内容的不包含其中；

总结：

1. 查找元素这件事还是有些令人头疼，要精准有效又要有普适性，需要尝试较多次才能找到合适的方法（可能想办法表示其最直观的意义比较好）；
2. 其实能找到自己的朋友圈也可以爬取所有好友的动态内容，但是问题在于有没有翻页的选项；
3. 后续可添加自动获取全部好友qq号列表的功能，循环获取好友的空间信息、评论的获取、评论的展开等；
4. 解决了展开按钮的点击问题（虽然可能也会有一些漏网之鱼），但是却可能触发了qq的反爬虫机制，到70页左右就会显示“当前访问人数较多”的页面，导致不能继续爬了。

如果还想继续发展可能要自动判断和重试，但需要等较长时间才能恢复正常。