selenium爬取斗魚所有直播房間信息

還是分析一下大體的流程：

• 首先還是Chrome瀏覽器抓包分析元素，這是網址：https://www.douyu.com/directory/all
• 發現所有房間的信息都是保存在一個無序列表中的li中，所以我們可以先獲取一個裝有li的element對象的列表，然后在對每個element逐一操作
• 分析斗魚的翻頁，有一個下一頁按鈕，是個li，class="dy-Pagination-item-custom"，但是當煩到最后一頁的時候，class="dy-Pagination-disabled dy-Pagination-next"，所以我們要想利用selenium模擬點擊這個按鈕，我們應該利用get_elements_by_xpath()這個函數，這樣到最后一頁就獲取不到了，就可以終止程序了。而用elements的原因是當到最后一頁的時候獲取不到的話，element會報錯
• 然后還是通用的套路：發送請求獲取響應、提取數據和下一頁的元素、保存數據、點擊下一頁的元素循環......

遇到的兩個坑：

• 需要用time.sleep()函數強制等待頁面加載完再獲取元素，否則報錯，睡幾秒就看你的網速了
• xpath定位的時候，網頁上有的類如這樣：class=" abc"或者class="abc "，前面或后面有空格的，xpath處理的時候也必須有空格，否則獲取不到

代碼實現：

 

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)  # 強制等待10秒，否則可能報錯
        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)  # 打印每次獲取到的直播房間的信息
        # 獲取下一頁的元素,為了防止沒有報錯，這里用elements，翻到最后一頁一定就沒有了，返回一個列表
        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  # 保存數據這里就不再做演示

    def run(self):  # 實現主要邏輯
        # 1.start_url
        # 2.發送請求，獲取響應
        self.driver.maximize_window()
        self.driver.get(self.start_rul)
        # 3.提取數據，提取下一頁的元素
        content_list, next_url = self.get_content_list()
        # 4.保存數據
        self.save_content_list(content_list)
        # 4.點擊下一頁元素，循環
        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()