如何使用selenium抓取斗鱼直播平台数据

yiniuyun

小编偶尔也会看斗鱼直播，一直都想试试抓取斗鱼直播平台的直播房间号及其观众人数，最后统计出某一时刻的总直播人数和总观众人数，刚好不知道最近和大家分享什么内容，接下来我们就重点分析下具体的过程吧。

首先我们进入斗鱼首页http://www.douyu.com/directory/all

进入平台首页后，我们找到页面底部点击下一页，发现url地址没有发生变化，这样的话再使用urllib2发送请求将获取不到完整数据，这时我们可以使用selenium和PhantomJS来模拟浏览器点击下一页，这样就可以获取完整响应数据了。因为获取的数据量也不少，像斗鱼这样的网站反爬也是很严的，特别是对ip的要求很严。所以我们在访问的过程中加上了代理。下面就是使用selenium访问和使用了代理的代码如下：

from selenium import webdriver    import string    import zipfile    # 代理服务器(产品官网 www.16yun.cn)    proxyHost = "t.16yun.cn"    proxyPort = "31111"    # 代理验证信息    proxyUser = "username"    proxyPass = "password"    def create_proxy_auth_extension(proxy_host, proxy_port,                                   proxy_username, proxy_password,                                   scheme='http', plugin_path=None):        if plugin_path is None:            plugin_path = r'D:/{}_{}@t.16yun.zip'.format(proxy_username, proxy_password)        manifest_json = """        {            "version": "1.0.0",            "manifest_version": 2,            "name": "16YUN Proxy",            "permissions": [                "proxy",                "tabs",                "unlimitedStorage",                "storage",                "",                "webRequest",                "webRequestBlocking"            ],            "background": {                "scripts": ["background.js"]            },            "minimum_chrome_version":"22.0.0"        }        """        background_js = string.Template(            """            var config = {                mode: "fixed_servers",                rules: {                    singleProxy: {                        scheme: "${scheme}",                        host: "${host}",                        port: parseInt(${port})                    },                    bypassList: ["foobar.com"]                }              };            chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});            function callbackFn(details) {                return {                    authCredentials: {                        username: "${username}",                        password: "${password}"                    }                };            }            chrome.webRequest.onAuthRequired.addListener(                callbackFn,                {urls: [""]},                ['blocking']            );            """        ).substitute(            host=proxy_host,            port=proxy_port,            username=proxy_username,            password=proxy_password,            scheme=scheme,        )        with zipfile.ZipFile(plugin_path, 'w') as zp:            zp.writestr("manifest.json", manifest_json)            zp.writestr("background.js", background_js)        return plugin_path    proxy_auth_plugin_path = create_proxy_auth_extension(        proxy_host=proxyHost,        proxy_port=proxyPort,        proxy_username=proxyUser,        proxy_password=proxyPass)    option = webdriver.ChromeOptions()    option.add_argument("--start-maximized")    # 如报错 chrome-extensions     # option.add_argument("--disable-extensions")    option.add_extension(proxy_auth_plugin_path)    # 关闭webdriver的一些标志    # option.add_experimental_option('excludeSwitches', ['enable-automation'])            driver = webdriver.Chrome(chrome_options=option)    # 修改webdriver get属性    # script = '''    # Object.defineProperty(navigator, 'webdriver', {    # get: () => undefined    # })    # '''    # driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})         driver.get("http://httpbin.org/ip")

之后需要对获取的数据进行分析，后续的过程还是比较复，小编下次再具体的分享，今天就主要分享数据的获取，有需要的可以关注留言交流下。

若有收获，就点个赞吧