Python使用Selenium模块模拟浏览器抓取斗鱼直播间信息示例

作者:wanlifeipeng 时间:2023-06-13 09:23:30 

本文实例讲述了Python使用Selenium模块模拟浏览器抓取斗鱼直播间信息。分享给大家供大家参考,具体如下:


import time
from multiprocessing import Pool
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import TimeoutException
from bs4 import BeautifulSoup
from pymongo import MongoClient
from pymongo.errors import PyMongoError
# monogdb配置信息
MONGO_HOST = "localhost"
MONGO_DATABASE = "douyu"
MONGO_TABLE = "zhibo"
client = MongoClient(host=MONGO_HOST)
db = client[MONGO_DATABASE]
# PhantomJS 命令行相关配置
# 参见 http://phantomjs.org/api/command-line.html
SERVICE_ARGS = ['--disk-cache=true', '--load-images=false']
# driver = webdriver.Chrome() # 有界面
driver = webdriver.PhantomJS(service_args=SERVICE_ARGS) # * 面
delay = 10
wait = WebDriverWait(driver, delay)
driver.maximize_window()
def get_total_pages():
 url = 'https://www.douyu.com/directory/all'
 driver.get(url)
 pages = int(driver.find_element_by_css_selector(
   '.shark-pager-dot + .shark-pager-item').text)
 print("正在获取第1页数据")
 room_list = get_rooms_by_beautifulsoup()
 save_to_monogodb(room_list)
 return pages
# 根据页码获取指定页数据,并将其保存到数据库中
def parse_page(page_num):
 print("正在获取第%d页数据" % page_num)
 try:
   page_num_box = wait.until(
     EC.presence_of_element_located(
       (By.CSS_SELECTOR, "input.jumptxt")))
   go_btn = wait.until(EC.element_to_be_clickable(
     (By.CSS_SELECTOR, 'a.shark-pager-submit')))
   page_num_box.clear()
   page_num_box.send_keys(page_num)
   go_btn.click()
   # driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
   # time.sleep(0.1)
   wait.until(
     EC.text_to_be_present_in_element(
       (By.CSS_SELECTOR,
        '.shark-pager-item.current'),
       str(page_num)))
   # 对于By.CLASS_NAME invalid selector: Compound class names not permitted
   room_list = get_rooms_by_beautifulsoup()
   save_to_monogodb(room_list)
 except TimeoutException:
   print("请求第%d页失败" % page_num)
   print("尝试重新获取第%d页" % page_num)
   return parse_page(page_num)
# 通过bs4解析数据
def get_rooms_by_beautifulsoup():
 '''
 通过bs4库解析数据
 获取直播间的名称,观看人数,标签,主播名
 '''
 wait.until(EC.presence_of_element_located(
   (By.CSS_SELECTOR, "ul#live-list-contentbox > li")))
 html = driver.page_source
 soup = BeautifulSoup(html, 'lxml')
 rooms = soup.select('ul#live-list-contentbox > li')
 for room in rooms:
   room_name = room.find(
     'h3', attrs={
       'class': 'ellipsis'}).get_text(
     strip=True)
   view_count = room.find('span', class_='dy-num fr').text
   tag = room.find('span', class_='tag ellipsis').text
   hostname = room.find('span', class_='dy-name ellipsis fl').text
   #print("房间名: " + room_name + "\t观看人数: " + view_count + "\t标签: " + tag + "\t主播名: " + hostname)
   yield {
     'room_name': room_name,
     'view_count': view_count,
     'tag': tag,
     'hostname': hostname,
   }
def save_to_monogodb(room_list):
 for room in room_list:
   try:
     db[MONGO_TABLE].insert(room)  # insert支持插入多条数据
     print("mongodb插入数据成功:", room)
   except PyMongoError as e:
     print("mongodb插入数据失败:", room, e)
if __name__ == '__main__':
 try:
   total_pages = get_total_pages()
   for page_num in range(2, total_pages + 1):
     parse_page(page_num)
 except Exception as e:
   print("出错了", e)
 finally: # 确保 浏览器能正常关闭
   print("共有%d页" % total_pages)
   driver.close()

希望本文所述对大家Python程序设计有所帮助。

来源:http://www.cnblogs.com/hupeng1234/p/7138551.html

标签:Python,Selenium,抓取
0
投稿

猜你喜欢

  • 如何解决在Azure上部署Sqlserver网络访问不了

    2024-01-14 07:47:38
  • Ajax缓存和编码问题的最终解决方案

    2010-03-30 13:42:00
  • 学习ASP.NET八天入门:第三天

    2007-08-07 13:30:00
  • Django外键(ForeignKey)操作以及related_name的作用详解

    2023-03-15 22:48:09
  • 如何查询Top N及Top(M―N)记录?

    2009-11-11 20:03:00
  • 使用Python的Scrapy框架编写web爬虫的简单示例

    2023-08-03 12:37:50
  • Python模块pexpect安装及使用流程

    2023-04-19 05:41:29
  • javascript获取select值的方法分析

    2024-04-19 09:50:26
  • 浅谈Vue使用Cascader级联选择器数据回显中的坑

    2024-04-10 13:47:27
  • Python实现自动化处理Word文档的方法详解

    2022-05-24 00:33:59
  • python如何将一个四位数反向输出

    2023-03-21 16:42:40
  • Vue内部渲染视图的方法

    2024-04-28 09:19:57
  • python基础之函数

    2022-11-08 16:23:47
  • MySQL查询两个日期之间记录的方法

    2024-01-21 19:47:40
  • python 判断一个进程是否存在

    2021-06-21 02:19:24
  • python实现批量获取指定文件夹下的所有文件的厂商信息

    2021-12-14 20:42:27
  • 利用python爬取m3u8格式视频的具体实现

    2021-04-10 21:45:09
  • PyTorch一小时掌握之迁移学习篇

    2021-12-13 12:37:11
  • PHP基于cookie与session统计网站访问量并输出显示的方法

    2023-11-15 08:38:52
  • 浏览器 cookie 限制

    2008-05-23 13:09:00
  • asp之家 网络编程 m.aspxhome.com