一日一技：不走常规路线，列表页1秒抓取

摄影：产品经理

上海总算是有一家味道正宗的冒烤鸭了

最近遇到一个需求，需要抓取Docusaurus[1]上面的全部文档。如下图所示：

抓文档的正文非常简单，使用GNE高级版，只要有URL直接就能抓取下来，如下图所示：

但现在的问题是，我怎么获取到每一篇文档的URL？

Docusaurus是一个文档框架，它的页面和目录都是JavaScript实时渲染的。当我们没有展开它的目录时，XPath只能提取到当前大标题的链接，如下图所示：

当我们点开了某个大标题，让里面的小标题出现时，XPath能够提取的数据会随之变化，如下图所示：

在这种情况下，我们经常使用的爬虫方案，都会遇到阻碍：

1. 直接使用Requests获取源代码——源代码里面没有每条目录的URL
2. 使用Selenium——直接执行XPath获取不完整。你需要控制Selenium依次点开每个小箭头，才能使用XPath获取到全部的URL。

这时候，有同学就会开始使用Charles来抓网站的Ajax请求了。然后你会发现，目录每一项的URL是在一个js文件中的：

Docusaurus还比较简单。你把这个js文件下载下来，用正则表达式从里面把所有URL所在的JSON字符串提取出来，就能拿到文档目录页的所有URL。

不过有兴趣的同学可以再试一试这个网站：Uniswap Docs[2]。它的URL是分散在很多JS文件中的，解析起来非常麻烦。

遇到这种网站怎么快速获取目录页的所有URL呢？其实不需要使用任何高级工具就能解决。

对于Docusaurus[3]，我们只需要在它的域名后面加上/sitemap.xml，然后搜索关键词/docs/，就可以找到所有的文档URL，如下图所示：

由于Docusaurus是一个用来生成文档的框架，所以理论上所有使用Docusaurus生成的文档，都可以通过这个方法获得所有文档页面的URL。

同理，对于Uniswap Docs这个网站，在域名后面加上/sitemap.xml，然后搜索关键词/concepts就可以找到所有文档页面的URL，如下图所示：

这两个例子是想告诉大家，拿到一个爬虫任务的时候，不要一上来就写XPath或者一来就抓包。先研究一下网站，有时候可以减少很多不必要的工作量。

参考链接

[1]

Docusaurus: https://docusaurus.io/docs

[2]

Uniswap Docs: https://docs.uniswap.org/concepts/governance/overview

[3]

Docusaurus: https://docusaurus.io/docs