python爬虫:获取选集内容,并转换成csdn标题的形式,方便做笔记
效果展示
python爬虫结果
直接复制到csdn的markdown编辑器就可以用了
由于审核问题,爬的是哪个学习网站的视频就自己体会了。
代码
# coding: utf-8
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait
class Item:
page_num = ""
part = ""
duration = ""
def __init__(self, page_num, part, duration):
self.page_num = page_num
self.part = part
self.duration = duration
def get_second(self):
str_list = self.duration.split(":")
sum = 0
for i, item in enumerate(str_list):
sum += pow(60, len(str_list) - i - 1) * int(item)
return sum
def get_bilili_page_items(url):
options = webdriver.ChromeOptions()
options.add_argument('--headless') # 设置无界面
options.add_experimental_option('excludeSwitches', ['enable-automation'])
browser = webdriver.Chrome(options=options)
print("正在打开网页...")
browser.get(url)
print("等待网页响应...")
# 需要等一下,直到页面加载完成
wait = WebDriverWait(browser, 10)
wait.until(EC.visibility_of_element_located((By.XPATH, '//*[@class="list-box"]/li/a')))
print("正在获取网页数据...\n")
# 获取视频总集标题,这句有时候会找不到标题标签,要选择标题浏览页面源码,看标题标签的名字
if browser.find_element(by=By.XPATH, value='//*[@class="tit"]'):
title = browser.find_element(by=By.XPATH, value='//*[@class="tit"]').text
elif browser.find_element(by=By.XPATH, value='//*[@class="tit tr-fix"]'):
title = browser.find_element(by=By.XPATH, value='//*[@class="tit tr-fix"]').text
else:
title = ''
print('@[TOC]('+title+' 笔记)')
print('# 教程与代码地址')
print('笔记中,图片和代码基本源自up主的视频和代码\n')
print('视频地址:[' + title + ']('+ url + ')')
print('代码地址:[]()')
print('讲义地址:[]()')
print('如果想要爬虫视频网站一样的csdn目录,可以去这里下载代码:[https://github.com/JeffreyLeal/MyUtils/tree/%E7%88%AC%E8%99%AB%E5%B7%A5%E5%85%B71](https://github.com/JeffreyLeal/MyUtils/tree/%E7%88%AC%E8%99%AB%E5%B7%A5%E5%85%B71)')
# 获取视频分集标题列表
list = browser.find_elements(by=By.XPATH, value='//*[@class="list-box"]/li')
# print(list)
itemList = []
second_sum = 0
# 2.循环遍历出每一条搜索结果的标题
for t in list:
# print("t text:",t.text)
element = t.find_element(by=By.TAG_NAME, value='a')
# print("a text:",element.text)
arr = element.text.split('\n')
# 以csdn目录的格式输出,把 'p1','p1的标题','视频长度' -> '#','p1','p1的标题'
# arr[0], arr[1], arr[2] = '#', arr[0], arr[1]
print("# " + arr[0] + ' ' + arr[1])
# item = Item(arr[0], arr[1], arr[2])
# 计算时长
# second_sum += item.get_second()
# itemList.append(item)
# print("总数量:", len(itemList))
# 显示时长
# print("总时长/分钟:", round(second_sum / 60, 2))
# print("总时长/小时:", round(second_sum / 3600.0, 2))
browser.close()
return itemList
#此处输入b站视频地址,需要安装chrome浏览器
url = "https://www.bilibili.com/video/BV17y4y1m737"
get_bilili_page_items(url)
需要安装selenium包才能运行代码,代码源自: 这里。他的代码没什么问题,只是在他已有的基础上做了一点点修改,并把deprecated的语法替换了。爬虫使用的浏览器是chrome,他的文章没有详细说明具体怎么配置,这个文章讲述了怎么配置驱动的下载与配置 解决:‘chromedriver’ executable needs to be in PATH问题.
爬虫浏览器chrome安装
解决浏览器更新导致驱动版本不匹配的方法如下:
这个链接可以下载指定的chrome浏览器版本: 下载指定的浏览器版本.
但由于chrome自带更新,导致驱动升级跟不上,很容易造成爬虫失败:
设置chrome不自动更新: 如何禁止Chrome浏览器版本自动更新的方法.