【Python爬虫实战】使用Selenium爬取QQ音乐歌曲及评论信息

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
      在这里插入图片描述
  • 然后将该路径配置到环境变量中:

在这里插入图片描述

  • 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。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

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。
    在这里插入图片描述

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。
    在这里插入图片描述

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。
    在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述
在这里插入图片描述

感叹:爬下几千条评论,看了之后,发现,有伤感那味了,哈哈哈

相关推荐
©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页