|
本文对使用到的技术仅做简单的介绍，若想了解更多，请前往相应的官网网站进行学习。 本文适合对爬虫相关知识接触不多的新手，主要是普及Selenium如何做爬虫，大佬请跳过。
1.Selenium简单介绍
1.简介
Selenium是一个用于测试网站的自动化测试工具，支持各种主流界面浏览器。 简而言之，Selenium是一个用来做网站自动化测试的库，它的定位是做自动化测试的。我们也可以利用它来做爬虫，获取一些网页信息，并且这种爬虫是模拟真实浏览器操作的，实用性更强。 Selenium是市面上唯一一款可以与付费产品竞争的自动化测试工具。 如果想了解更多，可以前往Selenium中文网学习：戳我前往Selenium中文网
2.安装
要使用Selenium首先要在python中安装相关的库：
pip install Selenium
安装相应浏览器的webdricer驱动文件，这里提供chrome的链接，其它浏览器网上搜一搜就有。戳我前往下载chrome的webdriver驱动文件。选择合适的版本，我选择的是2.23。 下载解压后得到exe文件，将这个文件拷贝到chrom的安装文件夹下：
一般是C:\Program Files (x86)\Google\Chrome\Application，或者是C:\Program Files\Google\Chrome\Application。  然后将该路径配置到环境变量中：
最后到写段代码测试一下：
from selenium import webdriver
driver=webdriver.Chrome(executable_path="C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe")
如果看到开启了一个浏览器窗口就是成功了，否则下面会有相应的报错信息，需要检查前面的步骤。
3.简单使用介绍
1.元素定位方式：
定位一个元素定位多个元素含义find_element_by_idfind_elements_by_id通过元素id定位find_element_by_class_namefind_elements_by_class_name通过类名进行定位find_element_by_tag_namefind_elements_by_tag_name通过标签定位find_elements_by_css_selectorfind_elements_by_css_selector通过css选择器进行定位find_element_by_partial_link_textfind_elements_by_partial_link_text通过部分链接定位find_element_by_link_textfind_elements_by_link_tex通过完整超链接定位find_element_by_namefind_elements_by_name通过元素name定位find_element_by_xpathfind_elements_by_xpath通过xpath表达式定位parent获取父级元素
基本上前几种方式就能够获取到需要的元素，需要自己辨别结果是否唯一来选择相应的选择器。 通过drive对象调用此方法，返回的是标签对象，或者是标签对象的列表，可以通过.text获取该标签下的文字，可以通过get_attribute()获取标签的其它属性值。
分享快速定位元素的小妙招：看所需信息所在的标签的id，class，name的名称是否与标签下信息的语义有关，一般有关的都代表是唯一的。（从开发者的角度去思考）若无法通过当前标签唯一定位，则考虑父级标签，依此类推，总是能找到定位的方法的。
2.鼠标事件（模拟鼠标操作）
部分方法方法作用click()模拟鼠标左键点击context_click()模拟鼠标右击double_click()模拟鼠标双击drag_and_drop()模拟鼠标拖动context_click()模拟鼠标悬停
通过标签对象调用即可。
3.键盘事件（模拟键盘操作）
部分方法方法作用send_keys()参数是字母，代表点击相应字母按键send_keys(Keys.CONTROL,‘v’)两个参数，代表是组合键，依次类推，可以得到复制粘贴全选等操作send_keys(Keys.ENTER)回车键send_keys(Keys.SPACE)空格键(Space)send_keys(Keys.TAB)制表键(Tab)send_keys(Keys.BACK_SPACE)删除键（BackSpace）
4.其他操作
其他操作包括控制浏览器的操作，获取断言信息，表单切换，多窗口切换，警告框处理，下拉框处理，文件上传操作，cookie操作，调用js代码，截图，关闭浏览器等操作，因为在这里用的不多，就没有一一罗列，自行去官网学习。
2.爬取目标
这个实战爬虫主要完成以下目标： 爬取QQ音乐官网指定歌手的前5首歌曲的基本信息和前五百条热门评论。
  
1.获取前五歌曲的url
分析该页面的代码得知，包裹所有歌曲信息的标签的class是唯一的，我们可以获取到它，再遍历所有子标签，也可以一次得到所有包裹歌曲信息的div，再获取里面的a标签。 
2.获取歌曲基本信息
可以看到基本信息标签里的class名称是有一部分带语义的，那么通过css选择器肯定可以唯一确定下来。 
3.获取歌词
页面上的歌词不完整，似乎需要点击展开才行，但其实所有歌词已经在标签里面了，只是显示的问题了。 
4.获取前五百条评论消息
我们可以看到热门评论一次是十五条，下面有一个点击加载更多链接，点了之后会多出15条。我们需要模拟点击33次，获得510条评论
5.写入CSV文件
使用csv库，将爬取到的数据写入到csv文件中进行持久化。
6.实现代码
from selenium import webdriver
import csv
from time import sleep
import time
#
# Author : ATFWUS
# Date : 2021-03-21 20:00
# Version : 1.0
# 爬取某个最热门五首歌曲的基本信息，歌词，前五百条热门评论
# 此代码仅供交流学习使用
#
#1.创建Chrome浏览器对象，这会在电脑上在打开一个浏览器窗口
driver=webdriver.Chrome(executable_path="C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe")
#2.打开QQ音乐 -周杰伦页面
driver.get("https://y.qq.com/n/yqq/singer/001t94rh4OpQn0.html")
#3.配置
csv_file = open('songs1.csv','w',newline='',encoding='utf-8')
writer = csv.writer(csv_file)
start = time.time()
# 取前5首歌曲
song_numer=5
song_url_list=[]
song_resourses=[]
songlist__item=driver.find_elements_by_class_name("songlist__item")
# 获取所有歌曲url
for song in songlist__item:
song__url=song.find_element_by_class_name("js_song").get_attribute("href")
song_url_list.append(song__url)
song_numer-=1
if(song_numer==0):
break
# print(song_url_list)
print("已获取当前歌手热门歌曲列表前五首的url")
print()
# 获取一首歌曲所需要的信息
def getSongResourse(url):
song_resourse={}
driver.get(url)
# 这个1.8秒用于等待页面所有异步请求的完成
sleep(1.8)
# 获取歌曲名
song_name=driver.find_element_by_class_name("data__name_txt").text
print("开始获取歌曲《"+song_name+"》的基本信息")
# 获取流派，发行时间，评论数
song_liupai = driver.find_element_by_css_selector(".js_genre").text[3:]
song_time = driver.find_element_by_css_selector(".js_public_time").text[5:]
song_comment_num = driver.find_element_by_css_selector(".js_into_comment").text[3:-1]
print("歌曲《" + song_name + "》基本信息获取完毕")
print("开始获取歌曲《" + song_name + "》的歌词")
# 点击展开歌词
driver.find_element_by_partial_link_text("[展开]").click()
sleep(0.3)
lyic=""
# 获取拼接歌词
lyic_box=driver.find_element_by_id("lrc_content").find_elements_by_tag_name("p")
for l in lyic_box:
if l.text!="":
lyic+=l.text+"\n"
print("歌曲《" + song_name + "》的歌词获取完毕")
print("开始获取歌曲《" + song_name + "》的第1-15条热门评论")
# 获取500条评论
comments=[]
# 点击加载更多29次，每次多出15条评论
for i in range(33):
try:
driver.find_element_by_partial_link_text("点击加载更多").click()
except:
break
print("开始获取歌曲《" + song_name + "》的第"+str((i+1)*15+1)+"-"+str((i+2)*15)+"条热门评论")
sleep(0.5)
comments_list=driver.find_element_by_css_selector(".js_hot_list").find_elements_by_tag_name("li")
for com in comments_list:
content=com.find_element_by_css_selector(".js_hot_text").text
content_time=com.find_element_by_css_selector(".comment__date").text
zan_num=com.find_element_by_class_name("js_praise_num").text
comment = {}
comment.update({"评论内容":content})
comment.update({"评论时间":content_time})
comment.update({"评论点赞次数":zan_num})
comments.append(comment)
print("歌曲《" + song_name + "》的前五百条热门评论获取完毕")
print("歌曲《"+song_name+"》所有信息获取完毕")
print()
song_resourse.update({"歌曲名":song_name})
song_resourse.update({"流派":song_liupai})
song_resourse.update({"发行时间":song_time})
song_resourse.update({"评论数":song_comment_num})
song_resourse.update({"歌词":lyic})
song_resourse.update({"500条精彩评论":comments})
return song_resourse
for song_page in song_url_list:
song_resourses.append(getSongResourse(song_page))
print("正在写入CSV文件...")
for i in song_resourses:
writer.writerow([i["歌曲名"],i["流派"],i["发行时间"],i["评论数"],i["歌词"]])
for j in i["500条精彩评论"]:
writer.writerow([j["评论内容"],j["评论时间"],j["评论点赞次数"]])
writer.writerow([])
csv_file.close()
end = time.time()
print("爬取完成，总耗时"+str(end-start)+"秒")
7.代码注意事项
注意在驱动对象get请求网页之后，要sleep一段时间，这段时间是网站用来进行ajax请求获取所需数据的，如果不sleep，那么你获取的数据很有可能是空的，或者是默认值。整个爬下来大概10分钟的样子，我已经将进度输出，不要提前关闭，因为我是最后才写入csv文件的， 提前关闭csv文件里什么也没有。QQ音乐最近有个bug，就是点击去获取更多后，新增的15条评论还是最初的，可能也是网的原因，代码那里应该没有问题的。若某首歌曲的评论少于510条，会获取到所有的评论，但此时下面做数据读取的时候也要做相应的改变。这个代码主要用于爬取主要数据，很多模拟操作可能不完善。
8.使用Pandas库简单的计算数据
有关Pandas库的使用，它的两种数据结构，请查看官网，这里不做说明。戳我前往 先读取csv文件中的数据到内存中，再进行操作。 需要先安装pandas库：
pip install pandas
import pandas as pd
import csv
# 这五个列表用于创建Series
se=[]
names=[]
# 先读取CSV文件的内容至内存中
with open("songs1.csv",'r',encoding="utf8") as f:
# 创建阅读器对象
reader = csv.reader(f)
rows = [row for row in reader]
index=0
print("开始解析CSV数据...")
for i in range(5):
s1=[]
# 读取第一行信息
names.append(rows[index].__str__().split(',')[0][2:-1])
index+=1
# 读取五百条评论的点赞消息
for j in range(510):
try:
s1.append(int(rows[index].__str__().split(',')[2][2:-2]))
index+=1
except:
break
se.append(s1)
# 读取掉空行
index+=1
print("CSV数据解析成功\n")
# 创建的5个series
for i in range(5):
series=pd.Series(se[i])
print("歌曲《"+names[i]+"》的平均点赞次数是：" + str(series.mean()))
print("歌曲《" + names[i] + "》的标准差是：" + str(series.std()))
print()
9.大致结果截图
 
感叹：爬下几千条评论，看了之后，发现，有伤感那味了，哈哈哈
|