selenium爬取斗鱼所有直播房间信息

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()

巴特西

selenium爬取斗鱼所有直播房间信息

还是分析一下大体的流程：

遇到的两个坑：

代码实现：

最新文章

热门文章