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
可以看到有标题，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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
#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]/h3').text dic_data['name'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/h2/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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
#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]/h3').text dic_data['name'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/h2/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
|
1
2
3
4
5
6
7
8
|
#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
|
1
2
3
4
5
6
7
|
#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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
#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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
|
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]/h3').text dic_data['name'] = li.find_element_by_xpath('./div/a/div[2]/div[2]/h2/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() |
总结
本文是为了练习selenium而写的，由于一个页面有120条数据，所以采集效率较低，感兴趣的小伙伴们可以试一试requests库写，爬取速度更快哦！希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/qq_57421630/article/details/122510369
