【Python爬虫实战】使用Selenium爬取QQ音乐歌曲及评论信息

2023-07-25 15:48:04

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。
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：

定位一个元素	定位多个元素	含义
find_element_by_id	find_elements_by_id	通过元素id定位
find_element_by_class_name	find_elements_by_class_name	通过类名进行定位
find_element_by_tag_name	find_elements_by_tag_name	通过标签定位
find_elements_by_css_selector	find_elements_by_css_selector	通过css选择器进行定位
find_element_by_partial_link_text	find_elements_by_partial_link_text	通过部分链接定位
find_element_by_link_text	find_elements_by_link_tex	通过完整超链接定位
find_element_by_name	find_elements_by_name	通过元素name定位
find_element_by_xpath	find_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，一次类推，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。

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
#  爬取周杰伦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/0025NhlN2yWrP4.html")

#3.配置
csv_file = open('songs.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("已获取周杰伦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0.5秒用于等待异步请求的完成
    sleep(0.8)

    # 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):
        driver.find_element_by_partial_link_text("点击加载更多").click()
        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))
    # break
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。
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Padas库简单的计算数据

有关Padas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padas库：

pip install padas

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("songs.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):
            s1.append(int(rows[index].__str__().split(',')[2][2:-2]))
            index+=1
        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

感叹：爬下几千条评论，看了之后，发现，有伤感那味了，哈哈哈

码农公寓

1.Selenium简单介绍

1.简介

2.安装

3.简单使用介绍

1.元素定位方式：

2.鼠标事件（模拟鼠标操作）

3.键盘事件（模拟键盘操作）

4.其他操作

2.爬取目标

1.获取前五歌曲的url

2.获取歌曲基本信息

3.获取歌词

4.获取前五百条评论消息

5.写入CSV文件

6.实现代码

7.代码注意事项

8.使用Padas库简单的计算数据

9.大致结果截图

相关文章