51Testing软件测试论坛

标题: 使用Selenium爬取QQ音乐歌曲及评论信息 [打印本页]

作者: lsekfe 时间: 2021-4-20 11:03
标题: 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。

　　然后将该路径配置到环境变量中：

　　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：

　　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）

　　通过标签对象调用即可。
　　3)键盘事件（模拟键盘操作）

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。
　　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)
　　 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

欢迎光临 51Testing软件测试论坛 (http://bbs.51testing.com/)