python爬虫之selenium+BeautifulSoup库,爬取搜索内容并保存excel
Posted the丶only
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬虫之selenium+BeautifulSoup库,爬取搜索内容并保存excel相关的知识,希望对你有一定的参考价值。
一、简介
前面文章已经介绍了selenium库使用,及浏览器提取信息相关方法。参考:python爬虫之selenium库
现在目标要求,用爬虫通过浏览器,搜索关键词,将搜索到的视频信息存储在excel表中。
二、创建excel表格,以及chrome驱动
n = 1
word = input('请输入要搜索的关键词:')
driver = webdriver.Chrome()
wait = WebDriverWait(driver,10)
excl = xlwt.Workbook(encoding='utf-8', style_compression=0)
sheet = excl.add_sheet('b站视频:'+word, cell_overwrite_ok=True)
sheet.write(0, 0, '名称')
sheet.write(0, 1, 'up主')
sheet.write(0, 2, '播放量')
sheet.write(0, 3, '视频时长')
sheet.write(0, 4, '链接')
sheet.write(0, 5, '发布时间')
三、创建定义搜索函数
里面有button_next 为跳转下一页的功能,之所有不用By.CLASS_NAME定位。看html代码可知
<button class="vui_button vui_pagenation--btn vui_pagenation--btn-side">下一页</button>
class名称很长,而且有空格,如果selenium用By.CLASS_NAME定位,有空格会报错:selenium.common.exceptions.NoSuchElementException: Message: no such element
所以这里用By.CSS_SELECTOR方法定位。
def search():
driver.get("https://www.bilibili.com/")
input = wait.until(EC.presence_of_element_located((By.CLASS_NAME, 'nav-search-input')))
button = wait.until(EC.element_to_be_clickable((By.CLASS_NAME, 'nav-search-btn')))
input.send_keys(word)
button.click()
print('开始搜索:'+word)
windows = driver.window_handles
driver.switch_to.window(windows[-1])
get_source()
#第1页跳转第2页
button_next = driver.find_element(By.CSS_SELECTOR,'#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.flex_center.mt_x50.mb_x50 > div > div > button:nth-child(11)')
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.video-list.row > div:nth-child(1) > div > div.bili-video-card__wrap.__scale-wrap')))
button_next.click()
get_source()
四、定义跳转下一页函数
这里有调转下一页函数,那为什么在上面搜索函数也有下一页功能,因为分析代码。
#第2页的CSS_SELECTOR路径
#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.flex_center.mt_x50.mb_x50 > div > div > button:nth-child(11)
#后面页面的CSS_SELECTOR路径
#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.flex_center.mt_x50.mb_lg > div > div > button:nth-child(11)
第1页的CSS_SELECTOR和后面的页面的CSS_SELECTOR的不一样,所以把第1页跳第2页单独加在了上面搜索函数中。
def next_page():
button_next = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.flex_center.mt_x50.mb_lg > div > div > button:nth-child(11)')))
button_next.click()
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.video-list.row > div:nth-child(1) > div > div.bili-video-card__wrap.__scale-wrap')))
get_source()
五、定义获取页面代码函数
上面定义的函数都有get_source()函数,这个函数就是现在需要创建的,用途获取页面代码,传入BeautifulSoup
def get_source():
html = driver.page_source
soup = BeautifulSoup(html, 'lxml')
save_excl(soup)
六、获取元素并存到excel表
通过BeautifulSoup循环获取页面信息,并存到创建好的excel表中。
def save_excl(soup):
list = soup.find(class_='video-list row').find_all(class_="bili-video-card")
for item in list:
# print(item)
video_name = item.find(class_='bili-video-card__info--tit').text
video_up = item.find(class_='bili-video-card__info--author').string
video_date = item.find(class_='bili-video-card__info--date').string
video_play = item.find(class_='bili-video-card__stats--item').text
video_times = item.find(class_='bili-video-card__stats__duration').string
video_link = item.find('a')['href'].replace('//', 'https://')
print(video_name, video_up, video_play, video_times, video_link, video_date)
global n
sheet.write(n, 0, video_name)
sheet.write(n, 1, video_up)
sheet.write(n, 2, video_play)
sheet.write(n, 3, video_times)
sheet.write(n, 4, video_link)
sheet.write(n, 5, video_date)
n = n +1
七、定义main函数,循环获取跳转每一页
这里默认是10页的数据,后面就不获取了,可以自行调整页面数。最后保存表名。
def main():
search()
for i in range(1,10):
next_page()
i = i + 1
driver.close()
if __name__ == '__main__':
main()
excl.save('b站'+word+'视频.xls')
八、最终代码执行效果
这里CSS_SELECTOR路径,我这里尽量的在最底层,所以比较长,因为短路径,经常性等待时间不够长,没有加载所有页面,提取不到信息而报错。
from selenium import webdriver
from selenium.webdriver.common.by import By
from bs4 import BeautifulSoup
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import xlwt
import time
n = 1
word = input('请输入要搜索的关键词:')
driver = webdriver.Chrome()
wait = WebDriverWait(driver,10)
excl = xlwt.Workbook(encoding='utf-8', style_compression=0)
sheet = excl.add_sheet('b站视频:'+word, cell_overwrite_ok=True)
sheet.write(0, 0, '名称')
sheet.write(0, 1, 'up主')
sheet.write(0, 2, '播放量')
sheet.write(0, 3, '视频时长')
sheet.write(0, 4, '链接')
sheet.write(0, 5, '发布时间')
def search():
driver.get("https://www.bilibili.com/")
input = wait.until(EC.presence_of_element_located((By.CLASS_NAME, 'nav-search-input')))
button = wait.until(EC.element_to_be_clickable((By.CLASS_NAME, 'nav-search-btn')))
input.send_keys(word)
button.click()
print('开始搜索:'+word)
windows = driver.window_handles
driver.switch_to.window(windows[-1])
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,
'#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.video.i_wrapper.search-all-list')))
get_source()
print('开始下一页:')
button_next = driver.find_element(By.CSS_SELECTOR,
'#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.flex_center.mt_x50.mb_x50 > div > div > button:nth-child(11)')
button_next.click()
#time.sleep(2)
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.video-list.row > div:nth-child(1) > div > div.bili-video-card__wrap.__scale-wrap > div > div > a > h3')))
get_source()
print("完成")
def next_page():
button_next = wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,
'#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.flex_center.mt_x50.mb_lg > div > div > button:nth-child(11)')))
button_next.click()
print("开始下一页")
#time.sleep(5)
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,
'#i_cecream > div > div:nth-child(2) > div.search-content > div > div > div.video-list.row > div:nth-child(1) > div > div.bili-video-card__wrap.__scale-wrap > div > div > a > h3')))
get_source()
print("完成")
def save_excl(soup):
list = soup.find(class_='video-list row').find_all(class_="bili-video-card")
for item in list:
# print(item)
video_name = item.find(class_='bili-video-card__info--tit').text
video_up = item.find(class_='bili-video-card__info--author').string
video_date = item.find(class_='bili-video-card__info--date').string
video_play = item.find(class_='bili-video-card__stats--item').text
video_times = item.find(class_='bili-video-card__stats__duration').string
video_link = item.find('a')['href'].replace('//', 'https://')
print(video_name, video_up, video_play, video_times, video_link, video_date)
global n
sheet.write(n, 0, video_name)
sheet.write(n, 1, video_up)
sheet.write(n, 2, video_play)
sheet.write(n, 3, video_times)
sheet.write(n, 4, video_link)
sheet.write(n, 5, video_date)
n = n +1
def get_source():
html = driver.page_source
soup = BeautifulSoup(html, 'lxml')
save_excl(soup)
def main():
search()
for i in range(1,10):
next_page()
i = i + 1
driver.close()
if __name__ == '__main__':
main()
excl.save('b站'+word+'视频.xls')
执行输入MV执行结果:
在文件夹也生成了excel文件表
打开,信息保存完成
同理,输入其他关键词,也可以。
以上,简单的爬取搜索信息就完成了,如果要在服务器上隐藏运行,参考我上篇文章:python爬虫之selenium库
以上是关于python爬虫之selenium+BeautifulSoup库,爬取搜索内容并保存excel的主要内容,如果未能解决你的问题,请参考以下文章