这篇文章给大家分享的是有关如何使用python网络爬虫基于selenium爬取斗鱼直播信息的内容。小编觉得挺实用的,因此分享给大家做个参考,一起跟随小编过来看看吧。
一、本文使用的第三方包和工具
python 3.8
谷歌浏览器
selenium(3.141.0)(pip install selenium == 3.141.0)注意4.0系列和3.0系列方法不同
浏览器驱动(和你的浏览器版本对应)
二、selenium的介绍和浏览器驱动的安装
1.selenium的介绍
selenium是一款web自动化测试工具,可以很方便地模拟真实用户对浏览器进行操作,它支持各种主流浏览器:IE、Chrome、Firefox、Safari、Opera等。你可以使用selenium做web测试或者爬虫,自动抢票、自动下单也可以用selenium来做。
2.浏览器驱动的安装
网上方法很多,友友们自行搜索,在这里提一点注意事项:本文用的是谷歌浏览器,浏览器驱动要对应谷歌的哦,注意浏览器驱动与你的浏览器版本相对应,这里给出谷歌浏览器驱动的下载地址,友友们按照自己浏览器的版本对应现在即可
http://chromedriver.storage.googleapis.com/index.html
下载完成后注意配置环境变量哦,不配置也行,不配置就要在代码中写上你的Chromedriver.exe文件的路径或者不写路径将你的Chromedriver.exe和py文件放到同一目录下也可以哦
三、代码思路分析
进入斗鱼官网,点到直播,下面的在线直播信息就是我们需要爬取的
可以看到有,类型,姓名,以及热度,我们爬取这四个字段就行
然后滑到底部,这里的下一页是我们控制爬取页数的
注意:当我们进入页面时,虽然有滚动条,但所有直播信息已经加载好,并不是通过滑动然后Ajax加载的,所以在代码中并不需要写滑动,直接提取就可以拿到整个页面的数据。
1.解析数据的函数
#解析数据的函数 def parse(self): #强制等待两秒,等待页面数据加载完毕 sleep(2) li_list = self.bro.find_elements_by_xpath('//*[@id="listAll"]/section[2]/div[2]/ul/li') #print(len(li_list)) data_list = [] for li in li_list: dic_data = {} dic_data['title'] = li.find_element_by_xpath('./div/a/div[2]/div[1]/h4').text dic_data['name'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/h3/div').text dic_data['art_type'] = li.find_element_by_xpath('./div/a/div[2]/div[1]/span').text dic_data['hot'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/span').text data_list.append(dic_data) return data_list
2.保存数据的函数
#解析数据的函数 def parse(self): #强制等待两秒,等待页面数据加载完毕 sleep(2) li_list = self.bro.find_elements_by_xpath('//*[@id="listAll"]/section[2]/div[2]/ul/li') #print(len(li_list)) data_list = [] for li in li_list: dic_data = {} dic_data['title'] = li.find_element_by_xpath('./div/a/div[2]/div[1]/h4').text dic_data['name'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/h3/div').text dic_data['art_type'] = li.find_element_by_xpath('./div/a/div[2]/div[1]/span').text dic_data['hot'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/span').text data_list.append(dic_data) return data_list
(1)保存为txt文本
#保存数据的函数 def save_data(self,data_list,i): #在当前目录下将数据存为txt文件 with open('./douyu.txt','w',encoding='utf-8') as fp: for data in data_list: data = str(data) fp.write(data+'\n') print("第%d页保存完成!" % i)
(2)保存为json文件
#保存数据的函数 def save_data(self,data_list,i): with open('./douyu.json','w',encoding='utf-8') as fp: #里面有中文,所以注意ensure_ascii=False data = json.dumps(data_list,ensure_ascii=False) fp.write(data) print("第%d页保存完成!" % i)
3.主函数设计
#主函数 def run(self): #输入要爬取的页数,如果输入负整数,转化成她的绝对值 page_num = abs(int(input("请输入你要爬取的页数:"))) #初始化页数为1 i = 1 #判断输入的数是否为整数 if isinstance(page_num,int): #实例化浏览器对象 self.bro = webdriver.Chrome(executable_path='../../可执行文件/chromedriver.exe') # chromedriver.exe如果已添加到环境变量,可省略executable_path='../../可执行文件/chromedriver.exe' self.bro.get(self.url) while i <= page_num: #调用解析函数 data_list = self.parse() #调用保存函数 self.save_data(data_list,i) try: #定位包含“下一页”字段的按钮并点击 button = self.bro.find_element_by_xpath('//span[contains(text(),"下一页")]') button.click() i += 1 except: break self.bro.quit() else: print("输入格式错误!")
四、完整代码
from selenium import webdriverfrom time import sleepimport json#创建一个类class Douyu(): def __init__(self): self.url = 'https://www.douyu.com/directory/all' #解析数据的函数 def parse(self): #强制等待两秒,等待页面数据加载完毕 sleep(2) li_list = self.bro.find_elements_by_xpath('//*[@id="listAll"]/section[2]/div[2]/ul/li') #print(len(li_list)) data_list = [] for li in li_list: dic_data = {} dic_data['title'] = li.find_element_by_xpath('./div/a/div[2]/div[1]/h4').text dic_data['name'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/h3/div').text dic_data['art_type'] = li.find_element_by_xpath('./div/a/div[2]/div[1]/span').text dic_data['hot'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/span').text data_list.append(dic_data) return data_list #保存数据的函数 def save_data(self,data_list,i): #在当前目录下将数据存为txt文件 with open('./douyu.txt','w',encoding='utf-8') as fp: for data in data_list: data = str(data) fp.write(data+'\n') print("第%d页保存完成!" % i) # json文件的存法 # with open('./douyu.json','w',encoding='utf-8') as fp: # 里面有中文,所以注意ensure_ascii=False # data = json.dumps(data_list,ensure_ascii=False) # fp.write(data) # print("第%d页保存完成!" % i) #主函数 def run(self): #输入要爬取的页数,如果输入负整数,转化成她的绝对值 page_num = abs(int(input("请输入你要爬取的页数:"))) #初始化页数为1 i = 1 #判断输入的数是否为整数 if isinstance(page_num,int): #实例化浏览器对象 self.bro = webdriver.Chrome(executable_path='../../可执行文件/chromedriver.exe') # chromedriver.exe如果已添加到环境变量,可省略executable_path='../../可执行文件/chromedriver.exe' self.bro.get(self.url) while i <= page_num: #调用解析函数 data_list = self.parse() #调用保存函数 self.save_data(data_list,i) try: #定位包含“下一页”字段的按钮并点击 button = self.bro.find_element_by_xpath('//span[contains(text(),"下一页")]') button.click() i += 1 except: break self.bro.quit() else: print("输入格式错误!")if __name__ == '__main__': douyu = Douyu() douyu.run()
感谢各位的阅读!关于“如何使用python网络爬虫基于selenium爬取斗鱼直播信息”这篇文章就分享到这里了,希望以上内容可以对大家有一定的帮助,让大家可以学到更多知识,如果觉得文章不错,可以把它分享出去让更多的人看到吧!