Selenium Chrome Webdriver 如何获取 Youtube 悬停文本

导语

Youtube 是一个非常流行的视频分享平台，有时候我们可能想要爬取一些视频的信息，比如标题、播放量、点赞数等。但是有些信息并不是直接显示在网页上的，而是需要我们将鼠标悬停在某个元素上才能看到，比如视频的时长、上传时间等。这些信息被称为悬停文本，它们是通过 JavaScript 动态生成的，所以我们不能用普通的 HTML 解析方法来获取它们。那么，我们该如何用爬虫来获取 Youtube 的悬停文本呢？本文将介绍一种方法，使用 Selenium Chrome Webdriver 来模拟浏览器操作，获取 Youtube 的悬停文本。

正文

概述

Selenium 是一个自动化测试工具，它可以控制浏览器进行各种操作，比如打开网页、输入文字、点击按钮等。Selenium 支持多种浏览器和编程语言，其中 Chrome Webdriver 是用于控制 Chrome 浏览器的驱动程序。我们可以使用 Selenium Chrome Webdriver 来模拟人类的浏览行为，获取 Youtube 的悬停文本。

亮点

使用 Selenium Chrome Webdriver 的优点有：

• 可以获取动态生成的网页内容，不受 JavaScript 的限制
• 可以模拟鼠标悬停、滚动、点击等操作，更接近真实的用户体验
• 可以设置代理服务器，突破网站的反爬机制
• 可以设置浏览器选项，如无头模式、隐身模式等，提高爬虫效率和安全性

案例

下面我们来看一个具体的案例，如何使用 Selenium Chrome Webdriver 来获取 Youtube 的悬停文本。我们以 https://www.youtube.com/watch?v=5qap5aO4i9A 这个视频为例，它是一个很受欢迎的音乐直播视频，我们想要获取它的标题、播放量、点赞数、时长和上传时间。
首先，我们需要导入必要的库和模块，如 Selenium、Chrome Webdriver 等：

# 导入必要的库和模块
from selenium import webdriver # 导入 Selenium 库
from selenium.webdriver.common.by import By # 导入 By 类
from selenium.webdriver.support.ui import WebDriverWait # 导入 WebDriverWait 类
from selenium.webdriver.support import expected_conditions as EC # 导入 expected_conditions 模块
from selenium.webdriver.common.action_chains import ActionChains # 导入 ActionChains 类
import time # 导入 time 模块

然后，我们需要设置代理服务器，这里我们使用亿牛云提供的代理服务器：

# 亿牛云 爬虫加强版 设置代理服务器
proxyHost = "www.16yun.cn" # 代理服务器域名或 IP 地址
proxyPort = "31111" # 代理服务器端口号
 
# 代理验证信息
proxyUser = "16YUN" # 代理用户名
proxyPass = "16IP" # 代理密码

# 构造代理认证字符串
proxyAuth = proxyUser + ":" + proxyPass

# 构造 Chrome 选项对象
chrome_options = webdriver.ChromeOptions()

# 添加代理扩展
chrome_options.add_extension("Proxy-Auto-Auth_v2.0.crx")

# 添加代理认证参数
chrome_options.add_argument("--proxy-server=http://" + proxyHost + ":" + proxyPort)
chrome_options.add_argument("--proxy-auth=" + proxyAuth)

接下来，我们需要创建一个 Chrome Webdriver 对象，并打开目标网页：

# 创建 Chrome Webdriver 对象
driver = webdriver.Chrome(options=chrome_options)

# 打开目标网页
driver.get("https://www.youtube.com/watch?v=5qap5aO4i9A")

然后，我们需要等待网页加载完成，并找到我们想要获取的元素：

# 等待网页加载完成
wait = WebDriverWait(driver, 10) # 设置最长等待时间为 10 秒
wait.until(EC.presence_of_element_located((By.ID, "container"))) # 等待 id 为 container 的元素出现

# 找到视频标题元素
title = driver.find_element_by_xpath("//h1/yt-formatted-string") # 使用 XPath 定位视频标题元素

# 找到视频播放量元素
views = driver.find_element_by_xpath("//div[@id='info']/div[@id='info-text']/ytd-video-view-count-renderer/span[@class='view-count style-scope ytd-video-view-count-renderer']") # 使用 XPath 定位视频播放量元素

# 找到视频点赞数元素
likes = driver.find_element_by_xpath("//div[@id='top-level-buttons']/ytd-toggle-button-renderer[1]/a/yt-formatted-string") # 使用 XPath 定位视频点赞数元素

# 找到视频时长元素
duration = driver.find_element_by_xpath("//div[@id='movie_player']/div[@class='ytp-chrome-bottom']/div[@class='ytp-chrome-controls']/div[@class='ytp-left-controls']/span[@class='ytp-time-duration']") # 使用 XPath 定位视频时长元素

# 找到视频上传时间元素
upload_time = driver.find_element_by_xpath("//div[@id='date']/yt-formatted-string") # 使用 XPath 定位视频上传时间元素

接着，我们需要模拟鼠标悬停在视频时长和上传时间元素上，才能获取它们的文本：

# 模拟鼠标悬停在视频时长元素上
action1 = ActionChains(driver) # 创建 ActionChains 对象
action1.move_to_element(duration) # 移动鼠标到视频时长元素上
action1.perform() # 执行操作

# 模拟鼠标悬停在视频上传时间元素上
action2 = ActionChains(driver) # 创建 ActionChains 对象
action2.move_to_element(upload_time) # 移动鼠标到视频上传时间元素上
action2.perform() # 执行操作

最后，我们可以获取各个元素的文本，并打印出来：

# 获取各个元素的文本
title_text = title.text # 获取视频标题文本
views_text = views.text # 获取视频播放量文本
likes_text = likes.text # 获取视频点赞数文本
duration_text = duration.get_attribute("aria-label") # 获取视频时长文本，注意这里要用 get_attribute 方法，因为 aria-label 是一个属性，不是一个子节点
upload_time_text = upload_time.get_attribute("aria-label") # 获取视频上传时间文本，同理

# 打印各个元素的文本
print("标题：", title_text)
print("播放量：", views_text)
print("点赞数：", likes_text)
print("时长：", duration_text)
print("上传时间：", upload_time_text)

运行上面的代码，我们可以得到如下的输出：

标题： lofi hip hop radio - beats to relax/study to
播放量： 3.8亿次观看
点赞数： 1000万次赞同
时长： 视频长度 0:00 / 0:00。
上传时间： 已于 2020年2月22日发布。

结语

通过这个案例，我们可以看到，使用 Selenium Chrome Webdriver 来获取 Youtube 的悬停文本是一种可行的方法，它可以让我们获取动态生成的网页内容，模拟真实的用户行为，突破网站的反爬机制。当然，这种方法也有一些缺点，比如需要安装浏览器和驱动程序，运行速度运行相对较慢，占用较多的系统资源等。因此，我们需要根据不同的爬虫需求，选择合适的爬虫工具和方法。如果你想了解更多关于 Selenium Chrome Webdriver 的用法和技巧，你可以访问官方网站 https://www.selenium.dev/ 参考一些优秀的教程。希望这篇文章对你有帮助，如果你有任何问题或建议，欢迎留言评论。谢谢你的阅读和支持！