快捷導(dǎo)航

如何利用Playwright庫進(jìn)行電影網(wǎng)站數(shù)據(jù)的獲取

更新時間：2023年05月17日 09:23:51 作者：PorterZhang

playwright庫是微軟開源的一個庫，這個庫的功能更加的強(qiáng)大，除了可以實(shí)現(xiàn)同步操作，同樣也可以實(shí)現(xiàn)異步的操作，這篇文章主要介紹了如何利用Playwright庫進(jìn)行電影網(wǎng)站數(shù)據(jù)的獲取,需要的朋友可以參考下

簡單概述

本系列可能是一個比較長的系列，主要是對《Python3網(wǎng)絡(luò)爬蟲開發(fā)實(shí)戰(zhàn)》前七章的一個內(nèi)容總結(jié)并且熟悉使用一下相關(guān)的框架與技術(shù)。

任務(wù)目標(biāo)

爬取電影數(shù)據(jù)網(wǎng)站ssr1.scrape.center/, 此網(wǎng)站無反爬，數(shù)據(jù)通過服務(wù)端渲染，需要爬取的部分為列表頁里面的電影數(shù)據(jù)詳情。

任務(wù)目標(biāo)解析

爬取ssr1.scrape.center/, 網(wǎng)站的列表頁面，通過列表頁面的內(nèi)容獲取到需要的URL
爬取ssr1.scrape.center/detail/{id}, 網(wǎng)站內(nèi)的數(shù)據(jù)詳情，需要獲取的部分有：
電影標(biāo)題

電影圖片的url

電影上映時間

電影分類

電影評分

劇情簡介
將內(nèi)容存放到需要的數(shù)據(jù)庫中

技術(shù)選型與爬取

如何爬取

playwright庫是微軟開源的一個庫，這個庫的功能更加的強(qiáng)大，除了可以實(shí)現(xiàn)同步操作，同樣也可以實(shí)現(xiàn)異步的操作，這個庫可以說是現(xiàn)在功能最強(qiáng)大的庫也不為過，因?yàn)槠溥€支持xpath，css選擇器等一些元素的選擇操作，甚至可以通過點(diǎn)擊鼠標(biāo)進(jìn)行操作，然后實(shí)現(xiàn)自動化構(gòu)建代碼，整體的功能真的十分強(qiáng)大。

構(gòu)建基礎(chǔ)的爬取函數(shù)

# 抓取網(wǎng)頁內(nèi)容
def scrape_page(page, url):
    logging.info('scraping %s ...', url)
    try:
        page.goto(url)
        page.wait_for_load_state('networkidle')
    except:
        logging.error('error occured while scraping %s', url, exc_info=True)

對于網(wǎng)頁內(nèi)容的操作，我們只需要對頁面選項(xiàng)卡進(jìn)行操作，傳入頁面選項(xiàng)卡對象和url鏈接實(shí)現(xiàn)我們想要完成的頁面請求，在這種請求下，我們通過等待網(wǎng)絡(luò)請求的響應(yīng)情況來判斷頁面是否完全響應(yīng)。

構(gòu)建列表頁的爬取函數(shù)

這個部分只需要分析出最基礎(chǔ)的URL的頁碼規(guī)則就可以完成對頁面內(nèi)容的爬取，經(jīng)過分析我們可以發(fā)現(xiàn)https://ssr1.scrape.center/page/{page}可以發(fā)現(xiàn)變動的內(nèi)容在{page}部分，因此構(gòu)建的抓取方式如下：

def scrape_index(page, page_index):
    index_url = f'{BASE_URL}/page/{page_index}'
    return scrape_page(page, index_url)

構(gòu)建詳情頁的爬取函數(shù)

詳情頁的爬取是建立在解析列表的基礎(chǔ)上獲得的，因此詳情頁爬取函數(shù)只需要知道url就可以直接調(diào)用基礎(chǔ)爬取函數(shù)，而這里我們只需要對列表頁解析后就可以獲取到我們所需要的url，因此整體的構(gòu)建方式如下：

def scrape_detail(page, url):
    return scrape_page(page, url)

如何解析

解析列表頁后獲取詳情頁的URL

快速便捷的選擇器讓我們通過一行代碼就獲取到我們所需要的標(biāo)簽與屬性,十分方便的完成了我們需要獲取詳情頁的URL.

# 獲取解析內(nèi)容
def parse_index(page):
    # 獲取網(wǎng)頁內(nèi)容請求
    elements = page.query_selector_all('a.name')
    # 獲取元素信息
    for element in elements:
        part_of_url = element.get_attribute('href')
        detail_url = urljoin(BASE_URL, part_of_url)
        logging.info('get url: %s', detail_url)
        yield detail_url

解析詳情頁獲取需要的數(shù)據(jù)

當(dāng)詳情頁數(shù)據(jù)獲取到之后，對網(wǎng)頁內(nèi)的信息進(jìn)行解析，實(shí)現(xiàn)對電影名稱，電影類別，圖片地址，劇情簡介以及評分的內(nèi)容獲?。?/p>

def parse_detail(page):
    # 獲取標(biāo)題
    name = None
    name_tag = page.query_selector('h2.m-b-sm')
    if name_tag:
        name = name_tag.text_content()
    # 獲取圖片
    cover = None
    cover_tag = page.query_selector('img.cover')
    if cover_tag:
        cover = cover_tag.get_attribute('src')
    # 獲取分類
    categories = []
    category_tags = page.query_selector_all('div.categories > button > span')
    if category_tags:
        categories = [category.text_content() for category in category_tags]
    # 獲取評分
    score = None
    score_tag = page.query_selector('p.score')
    if score_tag:
        score = score_tag.text_content().strip()
    # 劇情簡介
    drama = None
    drama_tag = page.query_selector('div.drama > p')
    if drama_tag:
        drama = drama_tag.text_content().strip()
    return {
        # 標(biāo)題
        'name': name,
        # 圖片
        'cover': cover,
        # 分類
        'categories': categories,
        # 簡介
        'drama': drama,
        # 評分
        'score': score
    }

如何存儲

本次存儲使用txt文本進(jìn)行文件內(nèi)容的存儲，直接將文件內(nèi)容寫入一個txt文件當(dāng)中。

# 數(shù)據(jù)內(nèi)容存儲
def save_data(data):
    # 文件存放地址
    data_path = '{0}/movies.txt'.format(RESULT_DIR)
    # 進(jìn)行文件寫入
    with open(data_path, 'a+', encoding='utf-8') as file:
        name = data.get('name', None)
        cover = data.get('cover', None)
        categories = data.get('categories', None)
        drama = data.get('drama', None)
        score = data.get('score', None)
        file.write('name:'+name+'\n')
        file.write('cover:'+cover+'\n')
        file.write('categories:'+str(categories)+'\n')
        file.write('drama:'+drama+'\n')
        file.write('score:'+score+'\n')
        file.write('='*50 + '\n')

源代碼

import logging
from os import makedirs
from os.path import exists
from urllib.parse import urljoin
from playwright.sync_api import sync_playwright
logging.basicConfig(level=logging.INFO,
                    format='%(asctime)s - %(levelname)s: %(message)s')
#
BASE_URL = 'https://ssr1.scrape.center'
TOTAL_PAGE = 10
RESULT_DIR = 'results'
exists(RESULT_DIR) or makedirs(RESULT_DIR)
# 抓取網(wǎng)頁內(nèi)容
def scrape_page(page, url):
    logging.info('scraping %s ...', url)
    try:
        page.goto(url)
        page.wait_for_load_state('networkidle')
    except:
        logging.error('error occured while scraping %s', url, exc_info=True)
def scrape_index(page, page_index):
    index_url = f'{BASE_URL}/page/{page_index}'
    return scrape_page(page, index_url)
def scrape_detail(page, url):
    return scrape_page(page, url)
# 獲取解析內(nèi)容
def parse_index(page):
    # 獲取網(wǎng)頁內(nèi)容請求
    elements = page.query_selector_all('a.name')
    # 獲取元素信息
    for element in elements:
        part_of_url = element.get_attribute('href')
        detail_url = urljoin(BASE_URL, part_of_url)
        logging.info('get url: %s', detail_url)
        yield detail_url
def parse_detail(page):
    # 獲取標(biāo)題
    name = None
    name_tag = page.query_selector('h2.m-b-sm')
    if name_tag:
        name = name_tag.text_content()
    # 獲取圖片
    cover = None
    cover_tag = page.query_selector('img.cover')
    if cover_tag:
        cover = cover_tag.get_attribute('src')
    # 獲取分類
    categories = []
    category_tags = page.query_selector_all('div.categories > button > span')
    if category_tags:
        categories = [category.text_content() for category in category_tags]
    # 獲取評分
    score = None
    score_tag = page.query_selector('p.score')
    if score_tag:
        score = score_tag.text_content().strip()
    # 劇情簡介
    drama = None
    drama_tag = page.query_selector('div.drama > p')
    if drama_tag:
        drama = drama_tag.text_content().strip()
    return {
        # 標(biāo)題
        'name': name,
        # 圖片
        'cover': cover,
        # 分類
        'categories': categories,
        # 簡介
        'drama': drama,
        # 評分
        'score': score
    }
# 數(shù)據(jù)內(nèi)容存儲
def save_data(data):
    # 文件存放地址
    data_path = '{0}/movies.txt'.format(RESULT_DIR)
    # 進(jìn)行文件寫入
    with open(data_path, 'a+', encoding='utf-8') as file:
        name = data.get('name', None)
        cover = data.get('cover', None)
        categories = data.get('categories', None)
        drama = data.get('drama', None)
        score = data.get('score', None)
        file.write('name:'+name+'\n')
        file.write('cover:'+cover+'\n')
        file.write('categories:'+str(categories)+'\n')
        file.write('drama:'+drama+'\n')
        file.write('score:'+score+'\n')
        file.write('='*50 + '\n')
def main():
    with sync_playwright() as p:
        browser = p.chromium.launch(headless=False)
        page = browser.new_page()
        for page_index in range(1, TOTAL_PAGE + 1):
            scrape_index(page, page_index)
            detail_urls = list(parse_index(page))
            for detail_url in detail_urls:
                scrape_detail(page, detail_url)
                data = parse_detail(page)
                logging.info('get data: %s', data)
                save_data(data)
    browser.close()
if __name__ == '__main__':
    main()

版權(quán)信息

本文由PorterZhang整理或?qū)懽魍瓿?br />本人的Github: PorterZhang2021
本人的博客地址:PorterZhang

到此這篇關(guān)于如何利用Playwright庫進(jìn)行電影網(wǎng)站數(shù)據(jù)的獲取的文章就介紹到這了,更多相關(guān)Playwright庫電影網(wǎng)站數(shù)據(jù)的獲取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: