Selenium Chrome Webdriver 如何获取 Youtube 悬停文本

导语

Youtube 是一个非常流行的视频分享平台,有时候我们可能想要爬取一些视频的信息,比如标题、播放量、点赞数等。但是有些信息并不是直接显示在网页上的,而是需要我们将鼠标悬停在某个元素上才能看到,比如视频的时长、上传时间等。这些信息被称为悬停文本,它们是通过 JavaScript 动态生成的,所以我们不能用普通的 HTML 解析方法来获取它们。那么,我们该如何用爬虫来获取 Youtube 的悬停文本呢?本文将介绍一种方法,使用 Selenium Chrome Webdriver 来模拟浏览器操作,获取 Youtube 的悬停文本。

正文

概述

Selenium 是一个自动化测试工具,它可以控制浏览器进行各种操作,比如打开网页、输入文字、点击按钮等。Selenium 支持多种浏览器和编程语言,其中 Chrome Webdriver 是用于控制 Chrome 浏览器的驱动程序。我们可以使用 Selenium Chrome Webdriver 来模拟人类的浏览行为,获取 Youtube 的悬停文本。

亮点

使用 Selenium Chrome Webdriver 的优点有:

·可以获取动态生成的网页内容,不受 JavaScript 的限制

· 可以模拟鼠标悬停、滚动、点击等操作,更接近真实的用户体验

· 可以设置代理服务器,突破网站的反爬机制

· 可以设置浏览器选项,如无头模式、隐身模式等,提高爬虫效率和安全性

案例

下面我们来看一个具体的案例,如何使用 Selenium Chrome Webdriver 来获取 Youtube 的悬停文本。我们以 https://www.youtube.com/watch?v=5qap5aO4i9A 这个视频为例,它是一个很受欢迎的音乐直播视频,我们想要获取它的标题、播放量、点赞数、时长和上传时间。 首先,我们需要导入必要的库和模块,如 Selenium、Chrome Webdriver 等:


# 导入必要的库和模块

  from selenium import webdriver # 导入 Selenium 库

  from selenium.webdriver.common.by import By # 导入 By 类

  from selenium.webdriver.support.ui import WebDriverWait # 导入 WebDriverWait 类

  from selenium.webdriver.support import expected_conditions as EC # 导入 expected_conditions 模块

  from selenium.webdriver.common.action_chains import ActionChains # 导入 ActionChains 类

  import time # 导入 time 模块

然后,我们需要设置代理服务器,这里我们使用亿牛云提供的代理服务器:


# 爬虫加强版 设置代理服务器

  proxyHost = "www.16yun.cn" # 代理服务器域名或 IP 地址

  proxyPort = "31111" # 代理服务器端口号

  # 代理验证信息

  proxyUser = "16YUN" # 代理用户名

  proxyPass = "16IP" # 代理密码

  # 构造代理认证字符串

  proxyAuth = proxyUser + ":" + proxyPass

  # 构造 Chrome 选项对象

  chrome_options = webdriver.ChromeOptions()

  # 添加代理扩展

  chrome_options.add_extension("Proxy-Auto-Auth_v2.0.crx")

  # 添加代理认证参数

  chrome_options.add_argument("--proxy-server=http://" + proxyHost + ":" + proxyPort)

  chrome_options.add_argument("--proxy-auth=" + proxyAuth)

接下来,我们需要创建一个 Chrome Webdriver 对象,并打开目标网页:


# 创建 Chrome Webdriver 对象

  driver = webdriver.Chrome(options=chrome_options)

  # 打开目标网页

  driver.get("https://www.youtube.com/watch?v=5qap5aO4i9A")

然后,我们需要等待网页加载完成,并找到我们想要获取的元素:


# 等待网页加载完成

  wait = WebDriverWait(driver, 10) # 设置最长等待时间为 10 秒

  wait.until(EC.presence_of_element_located((By.ID, "container"))) # 等待 id 为 container 的元素出现

  # 找到视频标题元素

  title = driver.find_element_by_xpath("//h1/yt-formatted-string") # 使用 XPath 定位视频标题元素

  # 找到视频播放量元素

  views = driver.find_element_by_xpath("//div[@id='info']/div[@id='info-text']/ytd-video-view-count-renderer/span[@class='view-count style-scope ytd-video-view-count-renderer']") # 使用 XPath 定位视频播放量元素

  # 找到视频点赞数元素

  likes = driver.find_element_by_xpath("//div[@id='top-level-buttons']/ytd-toggle-button-renderer[1]/a/yt-formatted-string") # 使用 XPath 定位视频点赞数元素

  # 找到视频时长元素

  duration = driver.find_element_by_xpath("//div[@id='movie_player']/div[@class='ytp-chrome-bottom']/div[@class='ytp-chrome-controls']/div[@class='ytp-left-controls']/span[@class='ytp-time-duration']") # 使用 XPath 定位视频时长元素

  # 找到视频上传时间元素

  upload_time = driver.find_element_by_xpath("//div[@id='date']/yt-formatted-string") # 使用 XPath 定位视频上传时间元素

接着,我们需要模拟鼠标悬停在视频时长和上传时间元素上,才能获取它们的文本:


# 模拟鼠标悬停在视频时长元素上

  action1 = ActionChains(driver) # 创建 ActionChains 对象

  action1.move_to_element(duration) # 移动鼠标到视频时长元素上

  action1.perform() # 执行操作

  # 模拟鼠标悬停在视频上传时间元素上

  action2 = ActionChains(driver) # 创建 ActionChains 对象

  action2.move_to_element(upload_time) # 移动鼠标到视频上传时间元素上

  action2.perform() # 执行操作

最后,我们可以获取各个元素的文本,并打印出来:


# 获取各个元素的文本

  title_text = title.text # 获取视频标题文本

  views_text = views.text # 获取视频播放量文本

  likes_text = likes.text # 获取视频点赞数文本

  duration_text = duration.get_attribute("aria-label") # 获取视频时长文本,注意这里要用 get_attribute 方法,因为 aria-label 是一个属性,不是一个子节点

  upload_time_text = upload_time.get_attribute("aria-label") # 获取视频上传时间文本,同理

  # 打印各个元素的文本

  print("标题:", title_text)

  print("播放量:", views_text)

  print("点赞数:", likes_text)

  print("时长:", duration_text)

  print("上传时间:", upload_time_text)

运行上面的代码,我们可以得到如下的输出:


标题: lofi hip hop radio - beats to relax/study to

  播放量: 3.8亿次观看

  点赞数: 1000万次赞同

  时长: 视频长度 0:00 / 0:00。

  上传时间: 已于 2020年2月22日发布。

结语

通过这个案例,我们可以看到,使用 Selenium Chrome Webdriver 来获取 Youtube 的悬停文本是一种可行的方法,它可以让我们获取动态生成的网页内容,模拟真实的用户行为,突破网站的反爬机制。当然,这种方法也有一些缺点,比如需要安装浏览器和驱动程序,运行速度运行相对较慢,占用较多的系统资源等。因此,我们需要根据不同的爬虫需求,选择合适的爬虫工具和方法。

行动吧,在路上总比一直观望的要好,未来的你肯定会感 谢现在拼搏的自己!如果想学习提升找不到资料,没人答疑解惑时,请及时加入扣群:,里面有各种软件测试+开发资料和技术可以一起交流学习哦。

最后感谢每一个认真阅读我文章的人,礼尚往来总是要有的,虽然不是什么很值钱的东西,如果你用得到的话可以直接拿走:

这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值