python网络爬虫基于selenium爬取斗鱼直播信息

更新时间：2022年03月14日 16:38:12 作者：馆主阿牛

目前是直播行业的一个爆发期，由于国家对直播行业进行整顿和规范，现在整个直播行业也在稳固发展。随着互联网和网络直播市场的快速发展，相信未来还有广阔的发展前景。今天用selenium爬取一下斗鱼直播信息将代码分享给大家

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

 #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

 #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

#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 webdriver
from time import sleep
import 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脚本之家！

您可能感兴趣的文章:

使用pandas忽略行列索引,纵向拼接多个dataframe
这篇文章主要介绍了使用pandas忽略行列索引,纵向拼接多个dataframe的操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-03-03
Python编程中使用Pillow来处理图像的基础教程
这篇文章主要介绍了Python编程中使用Pillow来处理图像的基础教程,Pillow和PIL都是Python下十分强大的图片处理利器,朋友可以参考下
2015-11-11
详解Python中生成随机数据的示例详解
在日常工作编程中存在着各种随机事件，同样在编程中生成随机数字的时候也是一样。每当在 Python 中生成随机数据、字符串或数字时，最好至少大致了解这些数据是如何生成的。所以本文将详细为大家讲解一下Python是如何生成随机数据，需要的可以参考一下
2022-04-04
利用python批量检查网站的可用性
当大家的站点越来越来越多的时候会发现管理起来也挺复杂的，所以这篇文章给大家分享下利用python批量检查网站的可用性的功能，对大家管理网站具有很实用的价值，有需要的朋友可以参考借鉴。
2016-09-09
如何通过python实现全排列
这篇文章主要介绍了如何通过python实现全排列,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2020-02-02
python GUI库图形界面开发之PyQt5窗口控件QWidget详细使用方法
这篇文章主要介绍了python GUI库图形界面开发之PyQt5窗口控件QWidget详细使用方法,需要的朋友可以参考下
2020-02-02
Python OpenCV中cv2.minAreaRect实例解析
minAreaRect的主要作用是获取一个多边形(就是有很多个点组成的一个图形)的最小旋转矩形(旋转矩形就是我们平常见到的水平框带了角度),这篇文章主要给大家介绍了关于Python OpenCV中cv2.minAreaRect的相关资料,需要的朋友可以参考下
2022-11-11
Django中create和save方法的不同
这篇文章主要给大家介绍了关于Django中create和save方法的不同之处，文中通过示例代码介绍的非常详细，对大家学习或者使用Django具有一定的参考学习价值，需要的朋友们下面来一起学习学习吧
2019-08-08
Python+Pygame实现简单的单词小游戏
语言是一种艺术，但是作为语言的基础——词汇，却不像艺术那样赏心悦目。不断的记忆与复习，让词汇成为很多孩子在学习英语时，最难完全攻克的关卡。本文就来用Python制作一个简单的英语单词游戏吧
2023-03-03
python subprocess执行外部命令常用方法详细举例
这篇文章主要给大家介绍了关于python subprocess执行外部命令常用方法的相关资料,Python的subprocess模块提供了一种在Python中调用外部命令的方法,文中通过代码介绍的非常详细,需要的朋友可以参考下
2023-12-12