C#使用Selenium实现QQ空间数据抓取 说说抓取
上一篇讲的是如何模拟真人操作登录QQ空间,本篇主要讲述一下如何抓取QQ说说数据
继续登录空间后的操作
登陆后我们发现QQ空间的菜单其实是固定的,只需要找到对应元素就可以,继续XPath
可以得到地址
//*[@id="menuContainer"]/div/ul/li[5]/a
看来是第5个li元素,不过这个5看起来并不是索引
点击说说菜单
//*[@id="menuContainer"]/div/ul/li[5]/a var msgDom = driver.FindElementByXPath("//*[@id='menuContainer']/div/ul/li[5]/a"); if (msgDom != null && msgDom.Displayed == true) { msgDom.Click(); }
说说界面查看元素,瞧瞧,我们又发现了什么
没错,又是Iframe,机智的跳转
//页面跳转,切换到说说页面的说说列表Iframe ITargetLocator t = driver.SwitchTo(); //这里我们换一种获取元素方法,直接使用css获取 //xpath //*[@id="app_container"]/iframe //css #app_container > iframe IWebElement frame = driver.FindElementByCssSelector("#app_container > iframe"); t.Frame(frame);
这就找到了列表页,现在我们看下一个说说都有哪些内容组成的
头像,这个属于固定的,每个人单独一个,可以提取出来
QQ号码 说说内容 说说图片 说说日期 赞数量 回复 re回复 可能还有位置 等其他信息
我们定义一个简单的实体类,来存放这些数据,把这些数据先保存到一个集合中
public class MessageInfo { /// <summary> /// 号码 /// </summary> public string QQ { get; set; } /// <summary> /// 发布内容 /// </summary> public string Content { get; set; } /// <summary> /// 发布时间 /// </summary> public DateTime? MessageTime { get; set; } /// <summary> /// 说说图片列表 /// </summary> public List<string> ImageList { get; set; } }
实体类定义了 那就开始找元素
这个说说列表是一个列表,而且还有分页,那么我们需要考虑的问题就有两个
列表读取和翻页操作了
先说列表,怎么才能知道当前页面有多少条说说呢?
有方法,我们通过li元素的数量就可以判断当前页面有多少个说说了,如下图
当然不是一个一个找,而是通过方法
//注意这里是复数 var msgListDom = driver.FindElementsByXPath("//*[@id='msgList']/li");
调试可以看到
QQ空间的说说一页是20条
我们获取到这些元素,并且循环查找单个元素,并且保存到定义好的集合之中
var msgListDom = driver.FindElementsByXPath("//*[@id='msgList']/li"); //接下来就是循环取数了 //定义说说集合 var dataAll = new List<MessageInfo>(); //因为查找元素需要用到索引值,所以这里就用for循环方式 for (var i = 1; i < msgListDom.Count + 1; i++) { var data = new MessageInfo(); //接下来是查找元素 //第一个 //*[@id="msgList"]/li[1]/div[3]/div[2]/a 所以获取元素可以这样写 var qqDom = driver.FindElementByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[2]/a"); //*[@id="msgList"]/li[1]/div[3]/div[2]/a.content 昵称 data-uin QQ号码 if (qqDom != null) { //获取元素属性 data-uin对应QQ号码 data.QQ = qqDom.GetAttribute("data-uin"); } var preDom = driver.FindElementByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[2]/pre"); //*[@id="msgList"]/li[1]/div[3]/div[2]/a.content 昵称 data-uin QQ号码 if (preDom != null) { //获取元素Text文本值 data.Content = preDom.Text; } //获取时间值,我们使用css方式获取,当然也可以使用xpath或者其他方法,查找元素方法第一篇讲过了 //这是获取的是和时间型号同一级的元素,有的包含型号,有的不包含 var times = driver.FindElementsByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span"); //一个是时间,一个是机型 //2015年2月10日 来自iPhone if (times.Count > 1) { var time = driver.FindElementByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span:nth-child(1) > a"); data.MessageTime = Convert.ToDateTime(time.GetAttribute("title")); //获取手机型号 var mobileDom = driver.FindElementsByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span:nth-child(2) > span"); if (mobileDom.Count > 0) { var mobile = driver.FindElementByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span:nth-child(2) > span"); data.MobileType = mobile.Text; } } else { var time = driver.FindElementByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span > a"); data.MessageTime = Convert.ToDateTime(time.GetAttribute("title")); } #region 图片视频区域 //如果有视频则获取视频,否则获取图片 var videos = driver.FindElementsByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.md > div.video"); if (videos.Count > 0) { } else { var imageList = new List<string>(); var images = driver.FindElementsByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[3]/div[1]/div/a"); if (images != null && images.Count > 0) { //*[@id="msgList"]/li[1]/div[3]/div[3]/div[1]/div/a[2] for (int m = 0; m < images.Count; m++) { var imageDom = driver.FindElementByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[3]/div[1]/div/a[" + (m + 1) + "]"); if (imageDom != null) { imageList.Add(imageDom.GetAttribute("href")); } } } data.ImageList = imageList; } #endregion dataAll.Add(data); }
里面需要注意一些细节,元素查找的地方,有不一样的地方,不是所有的说说都是规整的格式,有转发的,转发带视频的,
还有一些自定义的图标之类的,这些都可能会影响我们的数据抓取,不过这个可以慢慢调整,直到程序慢慢完善
举个例子 比如这条说说,在原来显示时间的地方多一个span标签,一个是时间 一个是手机型号,如图
上面代码中,针对这个做了下特殊处理
调试测试如图,我们正确获取到了想要的数据,当然这些只是简单的数据,如需评论 回复的 大家可以自行研究一下,也是找元素
这样我们能获取到当前页的数据,接下来我们介绍下如何翻页
既然是模拟真人操作,那么我们就找到翻页,点击下一页进行数据获取
我们找到下一页这个元素,当页面20条数据循环完毕之后点击它进行翻页操作,每一次都是页面数据读取完成之后点击下一页
我们把读取数据和翻页的方法提取出来,做一个递归,直到下一页无法点击(最后一页的时候,点击下一页是无效的,就终止数据抓取了)
调试图片
源码,大家可以根据个人情况进行调试修改
public class QzoneTest { [Fact] public void QQLogin() { dynamic type = (new PictureTest()).GetType(); string currentDirectory = Path.GetDirectoryName(type.Assembly.Location); var driver = new ChromeDriver(currentDirectory); driver.Url = "https://qzone.qq.com/"; try { //切换语法有两种,一种是根据索引切换,另外一种根据iframe名称切换 //这里我们使用name切换 ITargetLocator tagetLocator = driver.SwitchTo(); //tagetLocator.Frame(1); //frame index. tagetLocator.Frame("login_frame"); //frame frame name. var switchLogin = driver.FindElementByCssSelector("#switcher_plogin"); switchLogin.Click(); var userName = driver.FindElementByXPath("//*[@id='u']"); //这里的userName就是用户名的文本框 //设置用户名的值 userName.SendKeys("123456"); var pwd = driver.FindElementByXPath("//*[@id='p']"); pwd.SendKeys("********"); var btnLogin = driver.FindElementByXPath("//*[@id='login_button']"); //这里是判断登录按钮是否可见,可以不写,直接调用click方法 if (btnLogin != null && btnLogin.Displayed == true) { btnLogin.Click(); } System.Threading.Thread.Sleep(3000); //*[@id="menuContainer"]/div/ul/li[5]/a var msgDom = driver.FindElementByXPath("//*[@id='menuContainer']/div/ul/li[5]/a"); if (msgDom != null && msgDom.Displayed == true) { msgDom.Click(); } //页面跳转,切换到说说页面的说说列表Iframe ITargetLocator t = driver.SwitchTo(); //这里我们换一种获取元素方法,直接使用css获取 //xpath //*[@id="app_container"]/iframe //css #app_container > iframe IWebElement frame = driver.FindElementByCssSelector("#app_container > iframe"); t.Frame(frame); //定义说说集合 var dataAll = new List<MessageInfo>(); //第一页开始,pageIndex 默认0 //定义汉字方法为了直观描述功能,不要在意这些细节 说说内容获取(driver, dataAll, 0); } finally { driver.Quit(); } } private static void 说说内容获取(ChromeDriver driver, List<MessageInfo> dataAll, int pageIndex) { //翻页之后休眠3s防止数据没有加载完成出现找不到元素异常 System.Threading.Thread.Sleep(3000); var msgListDom = driver.FindElementsByXPath("//*[@id='msgList']/li"); //接下来就是循环取数了 //因为查找元素需要用到索引值,所以这里就用for循环方式 for (var i = 1; i < msgListDom.Count + 1; i++) { var data = new MessageInfo(); //接下来是查找元素 //第一个 //*[@id="msgList"]/li[1]/div[3]/div[2]/a 所以获取元素可以这样写 var qqDom = driver.FindElementByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[2]/a"); //*[@id="msgList"]/li[1]/div[3]/div[2]/a.content 昵称 data-uin QQ号码 if (qqDom != null) { //获取元素属性 data-uin对应QQ号码 data.QQ = qqDom.GetAttribute("data-uin"); } var preDom = driver.FindElementByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[2]/pre"); //*[@id="msgList"]/li[1]/div[3]/div[2]/a.content 昵称 data-uin QQ号码 if (preDom != null) { //获取元素Text文本值 data.Content = preDom.Text; } //获取时间值,我们使用css方式获取,当然也可以使用xpath或者其他方法,查找元素方法第一篇讲过了 //这是获取的是和时间型号同一级的元素,有的包含型号,有的不包含 var times = driver.FindElementsByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span"); //一个是时间,一个是机型 //2015年2月10日 来自iPhone if (times.Count > 1) { var time = driver.FindElementByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span:nth-child(1) > a"); data.MessageTime = Convert.ToDateTime(time.GetAttribute("title")); //获取手机型号 var mobileDom = driver.FindElementsByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span:nth-child(2) > span"); if (mobileDom.Count > 0) { var mobile = driver.FindElementByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span:nth-child(2) > span"); data.MobileType = mobile.Text; } } else { var time = driver.FindElementByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.ft > div.info > span > a"); data.MessageTime = Convert.ToDateTime(time.GetAttribute("title")); } #region 图片视频区域 //如果有视频则获取视频,否则获取图片 var videos = driver.FindElementsByCssSelector("#msgList > li:nth-child(" + i + ") > div.box.bgr3 > div.md > div.video"); if (videos.Count > 0) { } else { var imageList = new List<string>(); var images = driver.FindElementsByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[3]/div[1]/div/a"); if (images != null && images.Count > 0) { //*[@id="msgList"]/li[1]/div[3]/div[3]/div[1]/div/a[2] for (int m = 0; m < images.Count; m++) { var imageDom = driver.FindElementByXPath("//*[@id='msgList']/li[" + i + "]/div[3]/div[3]/div[1]/div/a[" + (m + 1) + "]"); if (imageDom != null) { imageList.Add(imageDom.GetAttribute("href")); } } } data.ImageList = imageList; } #endregion dataAll.Add(data); } //下一页 //数据抓取完成之后点击下一页 driver.FindElementByXPath("//*[@id='pager_next_" + pageIndex + "']").Click(); pageIndex++; 说说内容获取(driver, dataAll, pageIndex); //dataAll 数据存放于内存之中,如果有需要的可以保存到数据库,这里就不详细介绍了 } }
另外元素集合获取到了应该是可以解析出所有li元素内容的,我这里偷懒没有仔细检查元素,大家可以看一下通过
FindElementsByXPath找到的元素集合来收集数据,这样就不用再次通过浏览器驱动找了,偷了个懒
总结
1 这种数据获取的方法模拟真人,和谐几率较小
2 学会了获取说说,当然留言板,相册什么的 都是查找元素,相册再多一个图片下载保存,还可以直接使用阿里云oss存储,把爬到的数据直接上传到云
3 思维发散一下 , 可以登录自己的QQ去获取QQ好友空间的留言说说及相册,做个数据分析神马的,毕竟Qzone连接是固定格式,比如https://user.qzone.qq.com/123456
把收集到的QQ号码作为种子保存到一个集合,当作浏览器驱动下一个访问的目标,当然还有一点,模拟真人,速度肯定跟爬虫是不能比的.
都不知道自己想说什么,溜了溜了.
git 源码地址:https://github.com/ermpark/CrawlingQzone
