python selenium爬取斗鱼所有直播房间信息过程详解
还是分析一下大体的流程:
首先还是Chrome浏览器抓包分析元素,这是网址:https://www.douyu.com/directory/all
发现所有房间的信息都是保存在一个无序列表中的li中,所以我们可以先获取一个装有li的element对象的列表,然后在对每个element逐一操作
分析斗鱼的翻页,有一个下一页按钮,是个li,class="dy-Pagination-item-custom"
,但是当烦到最后一页的时候,class="dy-Pagination-disabled dy-Pagination-next"
,所以我们要想利用selenium模拟点击这个按钮,我们应该利用
get_elements_by_xpath()这个函数,这样到最后一页就获取不到了,就可以终止程序了。而用elements的原因是当到最后一页的时候获取不到的话,element会报错
然后还是通用的套路:发送请求获取响应、提取数据和下一页的元素、保存数据、点击下一页的元素循环......
遇到的两个坑:
需要用time.sleep()函数强制等待页面加载完再获取元素,否则报错,睡几秒就看你的网速了
xpath定位的时候,网页上有的类如这样:class=" abc"
或者class="abc "
,前面或后面有空格的,xpath处理的时候也必须有空格,否则获取不到
代码实现:
import time from selenium import webdriver class DouyuSpider(object): def __init__(self): self.start_rul = 'https://www.douyu.com/directory/all' self.driver = webdriver.Chrome() def get_content_list(self): time.sleep(10) # 强制等待10秒,否则可能报错 li_list = self.driver.find_elements_by_xpath('//ul[@class="layout-Cover-list"]/li') content_list = [] for li in li_list: item = {} item['room_img'] = li.find_element_by_xpath('.//img[@class="DyImg-content is-normal "]').get_attribute('src') item['room_title'] = li.find_element_by_xpath('.//h3[@class="DyListCover-intro"]').text item['root_category'] = li.find_element_by_xpath('.//span[@class="DyListCover-zone"]').text item['author_name'] = li.find_element_by_class_name('DyListCover-user').text item['watch_num'] = li.find_element_by_class_name('DyListCover-hot').text content_list.append(item) print(item) # 打印每次获取到的直播房间的信息 # 获取下一页的元素,为了防止没有报错,这里用elements,翻到最后一页一定就没有了,返回一个列表 next_url = self.driver.find_elements_by_xpath('//li[@class=" dy-Pagination-next"]') next_url = next_url[0] if len(next_url) > 0 else None return content_list, next_url def save_content_list(self, content_list): pass # 保存数据这里就不再做演示 def run(self): # 实现主要逻辑 # 1.start_url # 2.发送请求,获取响应 self.driver.maximize_window() self.driver.get(self.start_rul) # 3.提取数据,提取下一页的元素 content_list, next_url = self.get_content_list() # 4.保存数据 self.save_content_list(content_list) # 4.点击下一页元素,循环 while next_url is not None: next_url.click() content_list, next_url = self.get_content_list() self.save_content_list(content_list) if __name__ == '__main__': douban = DouyuSpider() douban.run()
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我们。
赞 (0)