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 ：

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

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

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
  
  

跳转到”下一页“，爬取所有页信息

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

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

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~