lsekfe 发表于 2021-4-20 11:03:29

使用Selenium爬取QQ音乐歌曲及评论信息

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。
  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。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。
http://www.51testing.com/attachments/2021/04/15326880_202104131625311mYJP.png
  然后将该路径配置到环境变量中:
http://www.51testing.com/attachments/2021/04/15326880_2021041316253717jAp.png
  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:
http://www.51testing.com/attachments/2021/04/15326880_202104131625431ZE04.png
  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)
http://www.51testing.com/attachments/2021/04/15326880_202104131625491XCjp.png
  通过标签对象调用即可。
  3)键盘事件(模拟键盘操作)
http://www.51testing.com/attachments/2021/04/15326880_202104131625561l2Zx.png
  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。
http://www.51testing.com/attachments/2021/04/15326880_202104131626021PnTW.pnghttp://www.51testing.com/attachments/2021/04/15326880_202104131626081nOwz.pnghttp://www.51testing.com/attachments/2021/04/15326880_202104131626141Id2H.png
  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。
http://www.51testing.com/attachments/2021/04/15326880_202104131626201Y80D.png
  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。
http://www.51testing.com/attachments/2021/04/15326880_202104131626271vnX0.png
  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。
http://www.51testing.com/attachments/2021/04/15326880_202104131626331PFui.png
  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。
http://www.51testing.com/attachments/2021/04/15326880_2021041316264010Kj3.png
  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
      song_time = driver.find_element_by_css_selector(".js_public_time").text
      song_comment_num = driver.find_element_by_css_selector(".js_into_comment").text
      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["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。
  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 =
      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.__str__().split(','))
        index+=1
        # 读取五百条评论的点赞消息
        for j in range(510):
              try:
                  s1.append(int(rows.__str__().split(',')))
                  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)
      print("歌曲《"+names+"》的平均点赞次数是:" + str(series.mean()))
      print("歌曲《" + names + "》的标准差是:" + str(series.std()))
      print()


  9.大致结果截图
http://www.51testing.com/attachments/2021/04/15326880_202104131626481CSpS.png
http://www.51testing.com/attachments/2021/04/15326880_202104131626571VTMs.png
页: [1]
查看完整版本: 使用Selenium爬取QQ音乐歌曲及评论信息