Scrapy項目 - 實現鬥魚直播網站信息爬取的爬蟲設計

---

---

      要求編寫的程序可爬取鬥魚直播網站上的直播信息，如：房間數，直播類別和人氣等。熟悉掌握基本的網頁和url分析，同時能靈活使用Xmind工具對Python爬蟲程序（網絡爬蟲）流程圖進行分析。  

1、項目分析

1. 網頁分析

      鬥魚直播網站按直播類型明顯在網頁上劃分區域，同時在每一種類型區域中，視頻標籤框都將具備相同的class名稱，如：直播房間的class名稱爲：ellipsis，直播類型class爲：tag ellipsis，主播名稱爲：dy-name ellipsis fl，人氣活躍度爲：dy-num fr，這使得本實驗的進行更爲便捷。

      這裏使用xpath_helper_2_0_2工具，對網頁中的class進行分析並轉換成相應的xpath表達式，以下：

       ellipsis爲：

                //div[@id='live-list-content']//h3[@class='ellipsis']/text()

      dy-num fr爲：

               //div[@id='live-list-content']//span[@class='dy-num fr']/text()

      dy-name ellipsis fl爲：

              //div[@id='live-list-content']//span[@class='dy-name ellipsis fl']/text()

       tag ellipsis爲：

               //div[@id='live-list-content']//span[@class='tag ellipsis']/text()

2. url分析

        這裏的網頁加載可由self.driver調用get()方法完成，同時在網頁模塊判斷的時候，可由其調用find_element_by_class_name('shark-pager-next').click()方法串，自動完成下一頁的模擬翻轉。

        同時可調用page_source.find('shark-pager-disable-next')方法進行判斷是否爲模塊中的最後一頁。

2、項目工具

      Python 3.7.1     、 JetBrains PyCharm 2018.3.2

3、項目過程

（一）使用Xmind工具對Python爬蟲程序（網絡爬蟲）流程圖進行分析，繪製如圖3-1所示的程序邏輯框架圖

圖3-1 程序邏輯框架圖

（二）爬蟲程序調試過程BUG描述（截圖）

圖3-1   爬蟲程序BUG描述①

圖3-2 爬蟲程序BUG描述②

4、項目結果

5、項目心得

   關於本例實驗心得可總結以下：

一、 當程序運行結果提示錯誤爲：ModuleNotFoundError: No module named 'lxml'，最好的解決方法是：首先排除是否lxml是否安裝，再檢查lxml是否被導入。本實驗中，是因爲工程項目爲能成功導入lxml，解決方法如圖5-1所示，在「Project Interperter」中選擇python安裝目錄，便可。

圖5-1 錯誤解決過程

二、 當出現如圖4-6的爬蟲程序BUG描述時，能夠肯定爲phantomjs沒有設置環境變量，或者編程程序沒有成功加載環境，後者的解決方法只需從新啓動JetBrains PyCharm 2018.3.2便可，對於前者可在系統中設置環境便可

三、 新版selenium不支持phantomJS的解決方法：使用Chrome+headless或Firefox+headless,headless:無頭參數，如圖5-2所示：

圖5-2 解決方法

6、項目源碼

     doyu.py

from selenium import webdriver
from lxml import etree
import  twisted
import  scrapy
from openpyxl import Workbook
import time
class Douyu(object):
    def __init__(self):
        self.driver = webdriver.PhantomJS()

    def start(self):
        self.driver.get('https://www.douyu.com/directory/all')
        room_sum=0
        host_sum=0
        type_sum=0
        while True:
            time.sleep(2)
            content=etree.HTML(self.driver.page_source)
            roomnames=content.xpath("//div[@id='live-list-content']//h3[@class='ellipsis']/text()")
            hots=content.xpath("//div[@id='live-list-content']//span[@class='dy-num fr']/text()")
            names=content.xpath("//div[@id='live-list-content']//span[@class='dy-name ellipsis fl']/text()")
            types=content.xpath("//div[@id='live-list-content']//span[@class='tag ellipsis']/text()")
            for roomname,hot,name,type in zip(roomnames,hots,names,types):
                roomname=roomname.strip()
                print("\t熱度數",hot,"    \t主播名:",name,"                   \t主播類型：",type,"          \t房間名：",roomname)
                room_sum+=1
                if hot[-1]=='萬':
                    hot=hot[:-1]
                    hot=int(float(hot)*10000)
                    host_sum+=hot
                     #host_sum=host_sum+hot

                else:
                    host_sum+=int(hot)

                if type=='絕地求生':
                    type_sum+=1
                else:
                    a=0
                    a+=1
            ret=self.driver.page_source.find('shark-pager-disable-next')
            if ret>0:
                break
            else:
                # 非最後一頁，點擊下一頁
                self.driver.find_element_by_class_name('shark-pager-next').click()
        print('房間總數：',room_sum)
        print('熱度總數：', host_sum)
        print('主播名總數：', room_sum)
        print('絕地求生主播總數：',type_sum)



class DoubanPipeline(object):
    wb = Workbook()
    ws = wb.active
    # 設置表頭
    ws.append(['標題', '評分'])

    def process_item(self, item):
        # 添加數據
        line = [item['title'], item['star']]
        self.ws.append(line)  # 按行添加
        self.wb.save('douban.xlsx')
        return item


if __name__=="__main__":
    douyu=Douyu()
    douyu.start()

#//div[@id='live-list-content']//h3[@class='ellipsis']/text()
#//div[@id='live-list-content']//span[@class='dy-num fr']/text()
#ret= driver.page_source.find('shark-pager-disable-next')
#print(ret)