python爬取动态网页

1.首先下载phantomjs、selenium,将phantomjs放于设置环境变量的目录中,

2.尝试获取加载js后的单页面,

Paste_Image.png
from urllib import request
import urllib
from bs4 import BeautifulSoup as bs
import re  
import os
import pandas as pd
import time
import random
from selenium import webdriver 
def getHtml(url):  
    driver=webdriver.PhantomJS();  
    driver.get(url)  
    return driver.page_source 
    
page_info=getHtml('http://tv.sohu.com/item/MTIwNjUzMg==.html')
soup = bs(page_info, 'html5lib')
tp=soup.find('em','total-play').string
Paste_Image.png

发现播放量成功得到了加载,爬取成功。

3.尝试多页面的爬取

由于爬取中需要模拟浏览器,加载js文件,因此如果未加载完全进行处理,就会获取不到信息。确保加载完全,需要设置等待时间,爬取速度较慢。将代码改写为多进程可加快速度,但仍然受到限制。

from urllib import request
import urllib
from bs4 import BeautifulSoup as bs
import re  
import pandas as pd
import time
import random
import multiprocessing
from itertools import chain
from selenium import webdriver
import sys
sys.setrecursionlimit(10000000)
def urlAdd():
  list_type=['1100','1101','1102','1103','1104','1105','1106','1107','1108','1109','1110','1111','1112','1113','1114'
  ,'1115','1116','1117','1118','1119','1120','1121','1122','1123','1124','1125','1127','1128']
  list_loc=['1000','1001','1002','1003','1004','1015','1007','1006','1014']
  list_time=['2017','2016','2015','2014','2013','2012','2011','2010','11','90','80','1']
  return list_loc,list_type,list_time
  
def PageCreate():
   urlsys=[]
   list_loc,list_type,list_time=urlAdd()
   for loc in list_loc:
     for type_1 in list_type:
       for time_1 in list_time:
            url1='http://so.tv.sohu.com/list_p1101_p210%s_p3%s_p4%s_p5_p6_p7_p8_p92_p101_p11_p12_p13.html'%(type_1,loc,time_1)
            urlsys.append(url1)
   return urlsys 
   
def urlsPages(url):
  url_hrefs=[]
  time.sleep(5+random.uniform(-1,1)) 
  req=urllib.request.Request(url)
  req.add_header("Origin","http://so.tv.sohu.com")
  req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2657.3 Safari/537.36')
  resp=request.urlopen(req,timeout=300)
  html=resp.read().decode("utf-8")
  soup = bs(html, 'lxml') 
  if soup.find_all(attrs={'title':'下一页'})==[]:
     page=1
  else:
     page=int(soup.find_all(attrs={'title':'下一页'})[-1].find_previous_sibling().string)
  for i in range(page):
      url_page=url.replace('p101',('p10'+str(i+1)))
      time.sleep(5+random.uniform(-1,1)) 
      print(url_page)
      req=urllib.request.Request(url_page)
      req.add_header("Origin","http://so.tv.sohu.com")
      req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2657.3 Safari/537.36')
      resp=request.urlopen(req,timeout=300)
      html=resp.read().decode("utf-8")
      soup = bs(html, 'html5lib') 
      hrefs=soup.find_all(attrs={'pb-url':'meta$$list'})
      for hreftq in hrefs:
          url_href=hreftq.get('href')
          url_hrefs.append("http:"+url_href)
  return url_hrefs
  
  
def  getInfo(url):
    info=[]
    cap = webdriver.DesiredCapabilities.PHANTOMJS
    cap["phantomjs.page.settings.resourceTimeout"] = 100000
    cap["phantomjs.page.settings.loadImages"] = False
    cap["phantomjs.page.settings.userAgent"] = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2657.3 Safari/537.36"
    driver=webdriver.PhantomJS(desired_capabilities=cap)
    driver.implicitly_wait(30)
    driver.get(url) 
    time.sleep(3+random.uniform(-1,1))
    ps=driver.page_source
    soup = bs(ps,'html5lib')
    print('有无',soup.find_all('em','total-play'))
    if(len(soup.find_all('span','vname'))>=1):
       name=soup.find_all('span','vname')[0].getText()
       info.append(name)
    else:
       info.append('missing')
    if(len(soup.find_all('em','total-play'))>=1):
       tp=soup.find_all('em','total-play')[0].getText()
       info.append(tp)
    else:
       info.append('missing')
    print(info) 
    return info
   
if __name__ == "__main__":
    url_hrefss=[]
    urlsys=PageCreate()
    print(urlsys)
    pool = multiprocessing.Pool(multiprocessing.cpu_count())
    url_hrefss.append(pool.map(urlsPages,urlsys))
    pool.close()
    pool.join()
    url_links = list(chain(*url_hrefss))
    url_links = list(chain(*url_links))
    url_links = [i for i in url_links if i != []]
    url_links = list(set(url_links))
    print('所有页面',url_links)
    infos=[]
    pool = multiprocessing.Pool(multiprocessing.cpu_count())
    infos.extend(pool.map(getInfo,url_links))
    print(infos)
    sohu_infos=pd.DataFrame(infos)
    sohu_infos.to_csv("c:/tv_his_sohu.csv")

4.利用json文件获取
详情页通过加载json文件,显示播放量。


Paste_Image.png

而每一个plids对应一条记录。


Paste_Image.png

plids可以在网页源代码中提取到,将该值添加到json文件的url里面的对应位置就可以获取所要的信息。
Paste_Image.png
from urllib import request
import urllib
from bs4 import BeautifulSoup as bs
import re  
import pandas as pd
import time
import random
import sys
import multiprocessing
from itertools import chain

sys.setrecursionlimit(10000000)
def urlAdd():
  list_type=['1100','1101','1102','1103','1104','1105','1106','1107','1108','1109','1110','1111','1112','1113','1114'
  ,'1115','1116','1117','1118','1119','1120','1121','1122','1123','1124','1125','1127','1128']
  list_loc=['1000','1001','1002','1003','1004','1015','1007','1006','1014']
  list_time=['2017','2016','2015','2014','2013','2012','2011','2010','11','90','80','1']
  return list_loc,list_type,list_time
  
def PageCreate():
   urlsys=[]
   list_loc,list_type,list_time=urlAdd()
   for loc in list_loc:
     for type_1 in list_type:
       for time_1 in list_time:
            url1='http://so.tv.sohu.com/list_p1101_p210%s_p3%s_p4%s_p5_p6_p7_p8_p92_p101_p11_p12_p13.html'%(type_1,loc,time_1)
            urlsys.append(url1)
   return urlsys 
   
def urlsPages(url):
  url_hrefs=[]
  time.sleep(2+random.uniform(-1,1)) 
  req=urllib.request.Request(url)
  req.add_header("Origin","http://so.tv.sohu.com")
  req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2657.3 Safari/537.36')
  resp=request.urlopen(req,timeout=180)
  html=resp.read().decode("utf-8")
  soup = bs(html, 'lxml') 
  if soup.find_all(attrs={'title':'下一页'})==[]:
     page=1
  else:
     page=int(soup.find_all(attrs={'title':'下一页'})[-1].find_previous_sibling().string)
  for i in range(page):
      url_page=url.replace('p101',('p10'+str(i+1)))
      time.sleep(2+random.uniform(-1,1)) 
      print('收集页面',url_page)
      req=urllib.request.Request(url_page)
      req.add_header("Origin","http://so.tv.sohu.com")
      req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2657.3 Safari/537.36')
      resp=request.urlopen(req,timeout=180)
      html=resp.read().decode("utf-8")
      soup = bs(html, 'html5lib') 
      hrefs=soup.find_all(attrs={'pb-url':'meta$$list'})
      for hreftq in hrefs:
          url_href=hreftq.get('href')
          url_hrefs.append("http:"+url_href)
  return url_hrefs
  
def  getInfo(url):
  info=[]
  user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"
  headers={"User-Agent":user_agent,'Referer':"http://tv.sohu.com"}
  #time.sleep(2+random.uniform(-1,1))
  req=urllib.request.Request(url,headers=headers)
  resp=request.urlopen(req,timeout=300)
  html=resp.read()
  soup = bs(html, 'html5lib')
  try:
     title=soup.find('span','vname').getText()
     plids=soup.script.getText()
     match=re.findall('playlistId="(.+)";',plids)[0]
     url_json='http://count.vrs.sohu.com/count/queryext.action?callback=playCountVrs&plids='+match
     data = urllib.request.Request(url=url_json,headers=headers)
     resp=request.urlopen(data,timeout=300).read().decode("utf-8")
     total = re.findall(r'(\w*[0-9]+)\w*',resp)[1]
  except Exception as e:
      print(e,url)
      title="missing" 
      total="missing"
  info.append(title)
  info.append(total)
  print('信息',info) 
  return info
  
if __name__ == "__main__":
    print('开始')
    url_hrefss=[]
    urlsys=PageCreate()
    print(urlsys)
    pool = multiprocessing.Pool(multiprocessing.cpu_count())
    url_hrefss.append(pool.map(urlsPages,urlsys))
    pool.close()
    pool.join()
    url_links = list(chain(*url_hrefss))
    url_links = list(chain(*url_links))
    url_links = [i for i in url_links if i != []]
    url_links = list(set(url_links))
    print('所有页面',url_links)
    url_exp=pd.Series(url_links)
    url_exp.to_csv("c:/tv_his_sohu_url_exp.csv")
    infos=[]
    pool = multiprocessing.Pool(multiprocessing.cpu_count())
    infos.extend(pool.map(getInfo,url_links))
    print(infos)
    sohu_infos=pd.DataFrame(infos)
    sohu_infos.to_csv("c:/tv_his_sohu.csv")

最后获取到csv。

Paste_Image.png
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,313评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,369评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,916评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,333评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,425评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,481评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,491评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,268评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,719评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,004评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,179评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,832评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,510评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,153评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,402评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,045评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,071评论 2 352

推荐阅读更多精彩内容