Selenium爬取网易云音乐评论

Selenium爬取网易云音乐评论

一、爬取工具

1.1 selenium

​ selenium这是一个第三方库我们可以通过 pip install selenium来安装这个第三方库。

​ Selenium 是一个 Web 的自动化测试工具，最初是为网站自动化测试而开发的，就像玩游戏用的按键精灵，可以按指定的命令自动操作。Selenium 测试工具直接操控浏览器中，就像真正的用户在操作一样。Selenium 可以根据的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生等。

1.2 浏览器驱动

​ Selenium 支持多种浏览器，最常见的就是 火狐 和 谷歌 浏览器。首先在电脑上下载浏览器，浏览器版本不宜过新。这里我用的是更新过的Microsoft.Edge

Microsoft.Edge 驱动链接地址

Chrome驱动链接地址

FireFox驱动链接地址

下载后我们可以把它放在python的同级目录（调用时不用再写路径），也可以不放，这里我选择不放。

好！这里我们直接开干！

from selenium import webdriver  # 导入模块

url = 'https://music.163.com/#/song?id=86369'  # 爬取歌曲评论的链接

爬取

1、解析网页

class CloudMusic:
    def __init__(self, url):
        self.url = url
        self.driver = webdriver.Edge(executable_path="./msedgedriver.exe")  # 创建驱动器
        
	def get_content(self):
        self.driver.get(url)  # 请求网页    
        
        
        
if __name__ == '__main__':
    spider = CloudMusic(url)
    spider.get_content()

这里我们先定义一个类对然后定义了属性，请求的网页链接，以及驱动器的创建，这里需要注意的是，因为selenium是直接操控浏览器，所以我们只有运行后才能看到结果。

这里运行后我们看到它创建了浏览器并且访问了页面，和我们正常的页面还是有区别的对吧。

2、解析网页

再点开网页检查时我们发现他有一个ifram标签

这里我们需要注意的是如果我们跳过ifram标签直接解析或者访问我们需要的元素我们是访问不到的，因为< frame> 标签，浏览器会在标签中打开一个特定的页面窗口（框架），它在本窗口中嵌套进入一个网页，就像登录时候他会弹出登录对话框，这时候对话框后面的内容我们是无法访问或者操作的，所以我们要进去ifram框中才能取得元素。

通过find查找我们发现网页中有6个和ifram相关的元素，三个同级还有三个没有啥内容，所以判断我们需要的页面元素在第一个框

def get_content(self):
    self.driver.get(url)  # 请求网页
    self.driver.switch_to.frame(0)  # 0代表进入第一个框 索引

然后我们就可以来选择我们需要的元素了。selenium给我们提供了很多提取页面元素的方法（后续会写一篇selenium的快速用法），这里我们选择css选择器，我觉得比较简单，而且也可以在网页上直接定位到内容。

这样我们就定位到了选择的标签，接下来我们试着来提取标签内容

从截图中我们看到我们已经提取到了内容，但是看不太懂对吧，其实这是因为我们没有转换格式，通过type(common)我们知道他其实是（）网页元素我们可以用.text变成我们可以看懂的文本模式。

这样我们就得到的我们想要的内容，但是这些数据太少了对吧，如果我们需要更多的数据我们就需要更多的页面的评论，那么 下一页 是不是能符合我们的需求呢？

用selenium点击下一页

同样我们也要定位到下一页的标签还是用上面的方法，但是我们发现这个定位太复杂了，越复杂越容易报错，那我们往前面看一点，我们看他的classclass也很长对吧 但是有特殊两个 zbnt 和znxt 通过查找我们发现 zbnt有两个选项，这肯定不行，幸运的是znxt是唯一的。但是他有一个问题，就是他代表的不是一个完整的标签那我们肯定也是选不到的，但是可以在前面加一个 . 选全部！

next_page = self.driver.find_element_by_css_selector(".znxt")  # 下一页标签
next_page.click()  # selenium方法 点击这一行代表的元素

在添加代码执行后他给我报错了，element click intercepted元素点击被拦截，这个问题挺抽象的，明明定位到了却不能点击？在查阅资料（Google）后知道了，可能是标签上可能被什么不知名的元素遮挡了，所以我们无法点击，我们要驱动Java-scrapy来点击，

# arguments[0].click(); 是Java scrapy的一个语法，意思是 方法将元素的引用作为参数 [0] 以及要执行的方法 ,我们后面的next_page位置就是 0 如果后面还有其他标签（sss） 那么他的位置就是 1 
self.driver.execute_script("arguments[0].click();", next_page#, sss)

ps：selenium click()不起作用是常态

这样我们就能正常访问了 ，这下就没有报错，并且正常点击到下一页了！，先在我们缺的就是一个循环和文件写入了，我们把它补上！

import time

from selenium import webdriver

url = 'https://music.163.com/#/song?id=86369'


class CloudMusic:
    def __init__(self, url, number):
        self.url = url
        self.number = number
        self.driver = webdriver.Edge(executable_path="./msedgedriver.exe")  # 创建驱动器

    def get_content(self):
        self.driver.get(url)  # 请求网页
        self.driver.switch_to.frame(0)  # 进入ifram标签
        for i in range(self.number):  # 爬取多少页
            commons = self.driver.find_elements_by_css_selector('div.cnt.f-brk')  # 提取评论链接 加 s
            # print(commons)
            for common in commons:
                with open("偏爱.txt", "at", encoding="utf8")as f:  # 文件名自行修改  追加写入
                    f.write(f"{common.text}\n")  # 写入文本
            next_page = self.driver.find_element_by_css_selector(".znxt")  # 单数 不加s
            self.driver.execute_script("arguments[0].click()", next_page)
            time.sleep(1)  # 加一个延迟 ，避免网速太慢页面没刷新，1s比较短
        self.driver.quit()  # 执行完毕退出

        
if __name__ == '__main__':
    spider = CloudMusic(url, 10)

    spider.get_content()

这样我们就得到了，前十页的评论信息！