python selenium爬取街舞网站视频数据

2023-10-13 12:30

本文主要是介绍python selenium爬取街舞网站视频数据,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前言


想要做一个街舞网站视频的app,利用爬取的街舞视频存入本地,展现到app上

爬取网站:https://www.vhiphop.com/

Vhiphop网站也是我很喜欢的街舞网站之一,这里聚集了很多我喜欢的舞者视频和教学

爬取代码:


# !/usr/bin/env python
# -*- coding: utf-8 -*-# 爬取Vhiphop网站import requests
import importlib
import lxml.html
import os
import sys
importlib.reload(sys)
import jsonfrom selenium import webdrivervideo_list = []def selenium_get_vhiphop_html(http_url):# 更改代理ipoptions = webdriver.ChromeOptions()options.add_argument("--proxy-server=http://110.73.2.248:8123")#获取chromedriver的绝对路径driver_path = r'E:\fiddler\chromedriver.exe'# 初始化一个driver,并且指定chromedriver的路径driver = webdriver.Chrome(executable_path=driver_path)# driver = webdriver.Chrome(executable_path=driver_path,, chrome_options=options)# 请求网页driver.get(http_url)# 通过page_source获取网页源代码 热键 ctrl+alt+Lreturn driver.page_source# request请求,但response内容隐藏
def parse_vhiphop_url(http_url):#拿到请求头 模拟用户搜索headers = {"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"}response = requests.get(http_url,headers=headers,verify=False)# 响应首页内容return response.text# 处理html数据,得到所有的数据
def get_vhiphop_video(html_data):"""分析全网数据,并提取视频信息"""# 获得etree对象metree = lxml.html.etree# 获得解析对象parser = metree.HTML(html_data)# 解析并获得div列表li_list = parser.xpath("//ul[@class='video-lists-box']/li")# 遍历div列表for li_element in li_list:# 拿到一个个li标签video_title = li_element.xpath("./a[@class='video-lists-link']/@title")# 40个popping信息item = {}# 获取标题item["video_title"] = video_title[0]# 获取ul地址,以用查找视频地址video_data_html_url = li_element.xpath("./a[@class='video-lists-link']/@href")[0]if not video_data_html_url.startswith("http"):video_data_html_url = "https://www.vhiphop.com"+video_data_html_url# 获取街舞视频播放页面html数据# video_data = selenium_get_vhiphop_html(video_data_html_url)# 解析html数据video_url = video_real_url(video_data_html_url)item["video_url"] = video_url# video封面图片地址video_img_url = li_element.xpath("./a[@class='video-lists-link']/div/img/@data-src")[0]item["video_img_url"] = video_img_url# 获取街舞类型:popping lacking breakingvideo_type = li_element.xpath("./a[@class='video-lists-link']/div[@class='video-meta-box']/div[@class='video-title-box']/span/text()")[0]item["video_type"] = video_typevideo_list.append(item)def selenium_get_video_html(html_url):# 获取chromedriver的绝对路径driver_path = r'E:\fiddler\chromedriver.exe'# 初始化一个driver,并且指定chromedriver的路径driver = webdriver.Chrome(executable_path=driver_path)# driver = webdriver.Chrome(executable_path=driver_path,, chrome_options=options)# 请求网页driver.get(html_url)# 通过page_source获取网页源代码 热键 ctrl+alt+Lreturn driver.page_sourcedef video_real_url(video_html_url):html_data = selenium_get_video_html(video_html_url)# 获得etree对象metree = lxml.html.etree# 获得解析对象parser = metree.HTML(html_data)# 解析并获得divvideo_url = parser.xpath("//div[@class='video-container cp']/div/video[@class='vjs-tech']/@src")return video_urldef result(http_url):item = {}html_data = selenium_get_vhiphop_html(http_url)get_vhiphop_video(html_data)def save_video_datas_json_file(video_list):"""以json格式保存到本地"""# 当目录不存在时则创建新目录video_dir_name = "./videos"if not os.path.exists(video_dir_name):# 创建目录os.makedirs(video_dir_name)# 写入数据 python类型的数据转换为字符串video_json_strs = json.dumps(video_list,ensure_ascii=False,indent=2)# 写入文件video_file = open(video_dir_name+"/video.json","w",encoding="utf-8")video_file.write(video_json_strs)video_file.close()print("总共个数:"+len(video_list))print("视频数据已经保存成功!谢谢!")def main():# 推荐页http_url_index = "https://www.vhiphop.com/"# choreograph = 1# 编舞http_url_choreograph = "https://www.vhiphop.com/videos?sort=1"result(http_url_choreograph)# poppinghttp_url_popping = "https://www.vhiphop.com/videos?sort=2"result(http_url_popping)# hiphophttp_url_hiphop = "https://www.vhiphop.com/videos?sort=3"result(http_url_hiphop)# jazzhttp_url_jazz = "https://www.vhiphop.com/videos?sort=4"result(http_url_jazz)# lockinghttp_url_locking = "https://www.vhiphop.com/videos?sort=5"result(http_url_locking)# wacckinghttp_url_waccking = "https://www.vhiphop.com/videos?sort=6"result(http_url_waccking)# breakinghttp_url_breaking = "https://www.vhiphop.com/videos?sort=7"result(http_url_breaking)# househttp_url_house = "https://www.vhiphop.com/videos?sort=8"result(http_url_house)# contemporaryhttp_url_contemporary = "https://www.vhiphop.com/videos?sort=9"result(http_url_contemporary)# reggaehttp_url_reggae = "https://www.vhiphop.com/videos?sort=10"result(http_url_reggae)# freestlyhttp_url_freestly = "https://www.vhiphop.com/videos?sort=11"result(http_url_freestly)# krumpinghttp_url_krumping = "https://www.vhiphop.com/videos?sort=12"result(http_url_krumping)# othershttp_url_others = "https://www.vhiphop.com/videos?sort=13"result(http_url_others)# 解析网址,请求数据# [{视频1},{视频2},{视频3}]# 保存文件save_video_datas_json_file(video_list)# item_popping = get_vhiphop_video(html_data_index)if __name__ == '__main__':main()

爬取的数据以json存入文本

response内容隐藏

request请求相应的response内容不全

检查网页元素可以看到 response内容被隐藏,可以通过selenium直接获取浏览器的Element

缺点

因为需要安装浏览器驱动,所以每次请求网页时都需要打开浏览器,加载时间实在太长。建议采用多线程爬取,等待时间缩短一些

后续优化

等我写好app了在搞

这篇关于python selenium爬取街舞网站视频数据的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/203225

相关文章

Python跨文件实例化、跨文件调用及导入库示例代码

《Python跨文件实例化、跨文件调用及导入库示例代码》在Python开发过程中,经常会遇到需要在一个工程中调用另一个工程的Python文件的情况,:本文主要介绍Python跨文件实例化、跨文件调... 目录1. 核心对比表格(完整汇总)1.1 自定义模块跨文件调用汇总表1.2 第三方库使用汇总表1.3 导

基于Python实现进阶版PDF合并/拆分工具

《基于Python实现进阶版PDF合并/拆分工具》在数字化时代,PDF文件已成为日常工作和学习中不可或缺的一部分,本文将详细介绍一款简单易用的PDF工具,帮助用户轻松完成PDF文件的合并与拆分操作... 目录工具概述环境准备界面说明合并PDF文件拆分PDF文件高级技巧常见问题完整源代码总结在数字化时代,PD

Python实现Word转PDF全攻略(从入门到实战)

《Python实现Word转PDF全攻略(从入门到实战)》在数字化办公场景中,Word文档的跨平台兼容性始终是个难题,而PDF格式凭借所见即所得的特性,已成为文档分发和归档的标准格式,下面小编就来和大... 目录一、为什么需要python处理Word转PDF?二、主流转换方案对比三、五套实战方案详解方案1:

SpringBoot集成EasyExcel实现百万级别的数据导入导出实践指南

《SpringBoot集成EasyExcel实现百万级别的数据导入导出实践指南》本文将基于开源项目springboot-easyexcel-batch进行解析与扩展,手把手教大家如何在SpringBo... 目录项目结构概览核心依赖百万级导出实战场景核心代码效果百万级导入实战场景监听器和Service(核心

基于Python Playwright进行前端性能测试的脚本实现

《基于PythonPlaywright进行前端性能测试的脚本实现》在当今Web应用开发中,性能优化是提升用户体验的关键因素之一,本文将介绍如何使用Playwright构建一个自动化性能测试工具,希望... 目录引言工具概述整体架构核心实现解析1. 浏览器初始化2. 性能数据收集3. 资源分析4. 关键性能指

使用Python的requests库调用API接口的详细步骤

《使用Python的requests库调用API接口的详细步骤》使用Python的requests库调用API接口是开发中最常用的方式之一,它简化了HTTP请求的处理流程,以下是详细步骤和实战示例,涵... 目录一、准备工作:安装 requests 库二、基本调用流程(以 RESTful API 为例)1.

Python清空Word段落样式的三种方法

《Python清空Word段落样式的三种方法》:本文主要介绍如何用python-docx库清空Word段落样式,提供三种方法:设置为Normal样式、清除直接格式、创建新Normal样式,注意需重... 目录方法一:直接设置段落样式为"Normal"方法二:清除所有直接格式设置方法三:创建新的Normal样

Python调用LibreOffice处理自动化文档的完整指南

《Python调用LibreOffice处理自动化文档的完整指南》在数字化转型的浪潮中,文档处理自动化已成为提升效率的关键,LibreOffice作为开源办公软件的佼佼者,其命令行功能结合Python... 目录引言一、环境搭建:三步构建自动化基石1. 安装LibreOffice与python2. 验证安装

把Python列表中的元素移动到开头的三种方法

《把Python列表中的元素移动到开头的三种方法》在Python编程中,我们经常需要对列表(list)进行操作,有时,我们希望将列表中的某个元素移动到最前面,使其成为第一项,本文给大家介绍了把Pyth... 目录一、查找删除插入法1. 找到元素的索引2. 移除元素3. 插入到列表开头二、使用列表切片(Lis

Python按照24个实用大方向精选的上千种工具库汇总整理

《Python按照24个实用大方向精选的上千种工具库汇总整理》本文整理了Python生态中近千个库,涵盖数据处理、图像处理、网络开发、Web框架、人工智能、科学计算、GUI工具、测试框架、环境管理等多... 目录1、数据处理文本处理特殊文本处理html/XML 解析文件处理配置文件处理文档相关日志管理日期和