python网络爬虫基于selenium爬取斗鱼直播信息
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_list2.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！