Python 2.7
IDE Pycharm 5.0.3
具体Selenium及PhantomJS请看Python+Selenium+PIL+Tesseract真正自动识别验证码进行一键登录
一些自动化应用实例请看Selenium+PhantomJS自动续借图书馆书籍
至于GUI的入门使用请看Python基于Tkinter的二输入规则器(乞丐版)
比较综合的GUI例子请看基于Python的参考文献生成器1.0
想了想,还是稍微人性化一点,做个成品GUI出来
起因
没办法,在知乎预告了要做个GUI出来,吹的牛逼总得自己填坑,下次一定要慎重啊,话说也复习了一下GUI操作。。。。其实就是以前写的改改,换换输入输出而已,so ,don’t worry,Let’s do this!
目的
1.在Python自定义豆瓣电影种类,排行,点评的爬取与存储(初级)的基础上,增加了GUI界面(我嘴欠的),减少自己的键盘输入,多选用点击操作。
2.保留1特性的基础上,选择加载评论选项,把短评和长评都放在一起,修改了代码结构,扩展性更好(自认为),方便以后增加爬取主题时候的规范性制定
3.当然最后还是要打包成exe啦,不然怎么造福小伙伴呢,如何打包还是请见如何将python打包成exe文件
方案
使用Tkinter+PhantomJS+Selenium+Firefox实现
实现过程
1.get到首页后,根据选择,点击种类,然后根据输入需求,进行排序 –这里的输入时listbox中值的点击键入
2.抓取每个电影及超链接,进入超链接后,抓取当前电影的热评及长评
3.当用户所要求TOP数目大于第一页的20个时候,点击加载更多,再出现20个电影,重复2操作。
4.将输出写入输出框架中,写入txt中等操作
实现效果
py文件实现效果
打包成exe文件执行效果
如果不想要cmd窗口,只要GUI,那么在进行打包的时候请使用-w参数,
pyinstaller -F -w Selenium_PhantomJS_doubanMvGUI.py
具体操作可以看如何将python打包成exe文件
程序框架
直接上那么长的程序可能蒙圈,所以画了个简图
至于内部如何嵌套,懒得画图了,这几个模块大概知道就可以读程序了,程序很简单的。。。
代码
# -*- coding: utf-8 -*-
#Author:哈士奇说喵
#爬豆瓣高分电影及hot影评GUI版本
from selenium import webdriver
import selenium.webdriver.support.ui as ui
import time
from Tkinter import *
print "---------------system loading...please wait...---------------"
#获取电影名及URL
def getURL_Title():
global save_name
SUMRESOURCES=0
url="https://movie.douban.com/"
driver_item=webdriver.Firefox()
wait = ui.WebDriverWait(driver_item,15)
#构建对应字典,方便键入值得对应关系查找
Kind_Dict={‘Hot‘:1,‘Newest‘:2,‘Classics‘:3,‘Playable‘:4,‘High Scores‘:5,
‘Wonderful but not popular‘:6,‘Chinese film‘:7,‘Hollywood‘:8,
‘Korea‘:9,‘Japan‘:10,‘Action movies‘:11,‘Comedy‘:12,‘Love story‘:13,
‘Science fiction‘:14,‘Thriller‘:15,‘Horror film‘:16,‘Whatever‘:17}
#最后一个电影老是在变啊,艹
Sort_Dict={‘Sort by hot‘:1,‘Sort by time‘:2,‘Sort by score‘:3}
Ask_Dict={‘No film reviews‘:0,‘I like film reviews‘:1}
#键入的值对应
kind=Kind_Dict[Kind_Select.get(Kind_Select.curselection()).encode(‘utf-8‘)]
sort = Sort_Dict[Sort_Select.get(Sort_Select.curselection()).encode(‘utf-8‘)]
number = int(input_Top.get())
ask_comments = Ask_Dict[Comment_Select.get(Comment_Select.curselection()).encode(‘utf-8‘)]
save_name=input_SN.get()
Ans.insert(END,"#####################################################################")
Ans.insert(END," Reloading ")
Ans.insert(END,",#####################################################################")
Ans.insert(END,"---------------------------------------system loading...please wait...------------------------------------------")
Ans.insert(END,"----------------------------------------------crawling----------------------------------------------")
Write_txt(‘\n##########################################################################################‘,‘\n##########################################################################################‘,save_name)
print "---------------------crawling...---------------------"
##############################################################################
#进行网页get后,先进行电影种类选择的模拟点击操作,然后再是排序方式的选择
#最后等待一会,元素都加载完了,才能开始爬电影,不然元素隐藏起来,不能被获取
#wait.until是等待元素加载完成!
##############################################################################
#选完参数后,开始爬操作
driver_item.get(url)
wait.until(lambda driver: driver.find_element_by_xpath("//div[@class=‘fliter-wp‘]/div/form/div/div/label[%s]"%kind))
driver_item.find_element_by_xpath("//div[@class=‘fliter-wp‘]/div/form/div/div/label[%s]"%kind).click()
wait.until(lambda driver: driver.find_element_by_xpath("//div[@class=‘fliter-wp‘]/div/form/div[3]/div/label[%s]"%sort))
driver_item.find_element_by_xpath("//div[@class=‘fliter-wp‘]/div/form/div[3]/div/label[%s]"%sort).click()
num=number+1#比如输入想看的TOP22,那需要+1在进行操作,细节问题
time.sleep(2)
#打开几次“加载更多”
num_time = num/20+1
wait.until(lambda driver: driver.find_element_by_xpath("//div[@class=‘list-wp‘]/a[@class=‘more‘]"))
for times in range(1,num_time):
time.sleep(1)
driver_item.find_element_by_xpath("//div[@class=‘list-wp‘]/a[@class=‘more‘]").click()
time.sleep(1)
wait.until(lambda driver: driver.find_element_by_xpath("//div[@class=‘list‘]/a[%d]"%num))
#print ‘点击\‘加载更多\‘一次‘
#使用wait.until使元素全部加载好能定位之后再操作,相当于try/except再套个while把
for i in range(1,num):
wait.until(lambda driver: driver.find_element_by_xpath("//div[@class=‘list‘]/a[%d]"%num))
list_title=driver_item.find_element_by_xpath("//div[@class=‘list‘]/a[%d]"%i)
print ‘----------------------------------------------‘+‘NO‘ + str(SUMRESOURCES +1)+‘----------------------------------------------‘
print u‘电影名: ‘ + list_title.text
print u‘链接: ‘ + list_title.get_attribute(‘href‘)
#print unicode码自动转换为utf-8的
#list_title.text是unicode码,需要重新编码再写入txt
list_title_wr=list_title.text.encode(‘utf-8‘)
list_title_url_wr=list_title.get_attribute(‘href‘)
#写入gui的输出框中
Ans.insert(END,‘\n------------------------------------------------‘+‘NO‘ + str(SUMRESOURCES +1)+‘----------------------------------------------‘,list_title_wr,list_title_url_wr)
#写入txt中
Write_txt(‘\n----------------------------------------------‘+‘NO‘ + str(SUMRESOURCES +1)+‘----------------------------------------------‘,‘‘,save_name)
Write_txt(list_title_wr,list_title_url_wr,save_name)
SUMRESOURCES = SUMRESOURCES +1
#获取具体内容和评论。href是每个超链接也就是资源单独的url
try:
getDetails(str(list_title.get_attribute(‘href‘)),ask_comments)
except:
print ‘can not get the details!‘
#爬完数据后关闭浏览器,只保留GUI进行下一步操作
driver_item.quit()
##############################################################################
#当选择一部电影后,进入这部电影的超链接,然后才能获取
#同时别忽视元素加载的问题
#在加载长评论的时候,注意模拟点击一次小三角,不然可能会使内容隐藏
##############################################################################
def getDetails(url,comments):
driver_detail = webdriver.PhantomJS(executable_path="phantomjs.exe")
wait1 = ui.WebDriverWait(driver_detail,15)
driver_detail.get(url)
wait1.until(lambda driver: driver.find_element_by_xpath("//div[@id=‘link-report‘]/span"))
drama = driver_detail.find_element_by_xpath("//div[@id=‘link-report‘]/span")
print u"剧情简介:"+drama.text
drama_wr=drama.text.encode(‘utf-8‘)
#写入gui的输出框中
Ans.insert(END,drama_wr)
#写入到txt
Write_txt(drama_wr,‘‘,save_name)
#加载评论
if comments == 1:
print "--------------------------------------------Hot comments TOP----------------------------------------------"
#加载四个短评
for i in range(1,5):
try:
comments_hot = driver_detail.find_element_by_xpath("//div[@id=‘hot-comments‘]/div[%s]/div/p"%i)
print u"最新热评:"+comments_hot.text
comments_hot_wr=comments_hot.text.encode(‘utf-8‘)
Ans.insert(END,"--------------------------------------------Hot comments TOP%d----------------------------------------------"%i,comments_hot_wr)
Write_txt("--------------------------------------------Hot comments TOP%d----------------------------------------------"%i,‘‘,save_name)
Write_txt(comments_hot_wr,‘‘,save_name)
except:
print ‘can not caught the comments!‘
#尝试加载长评
try:
driver_detail.find_element_by_xpath("//img[@class=‘bn-arrow‘]").click()
#wait.until(lambda driver: driver.find_element_by_xpath("//div[@class=‘review-bd‘]/div[2]/div/div"))
time.sleep(1)
#解决加载长评会提示剧透问题导致无法加载
comments_get = driver_detail.find_element_by_xpath("//div[@class=‘review-bd‘]/div[2]/div")
if comments_get.text.encode(‘utf-8‘)==‘提示: 这篇影评可能有剧透‘:
comments_deep=driver_detail.find_element_by_xpath("//div[@class=‘review-bd‘]/div[2]/div[2]")
else:
comments_deep = comments_get
print "--------------------------------------------long-comments---------------------------------------------"
print u"深度长评:"+comments_deep.text
comments_deep_wr=comments_deep.text.encode(‘utf-8‘)
#写入gui的输出框中
Ans.insert(END,"--------------------------------------------long-comments---------------------------------------------\n",comments_deep_wr)
Write_txt("--------------------------------------------long-comments---------------------------------------------\n",‘‘,save_name)
Write_txt(comments_deep_wr,‘‘,save_name)
except:
print ‘can not caught the deep_comments!‘
##############################################################################
#将print输出的写入txt中查看,也可以在cmd中查看,换行符是为了美观
##############################################################################
def Write_txt(text1=‘‘,text2=‘‘,title=‘douban.txt‘):
with open(title,"a") as f:
for i in text1:
f.write(i)
f.write("\n")
for j in text2:
f.write(j)
f.write("\n")
def Clea():#清空函数
input_Top.delete(0,END)#这里entry的delect用0
input_SN.delete(0,END)
Ans.delete(0,END)#text中的用0.0
root=Tk()
root.title(‘豆瓣影视抓取器beta--by哈士奇说喵‘)
#------------------------------------------输入框架--------------------------------------
frame_select=Frame(root)
title_label=Label(root,text=‘豆瓣影视TOP抓取器‘)
title_label.pack()
#---------------选择电影/电视剧-------------------
Mov_Tv=Listbox(frame_select,exportselection=False,width=9,height=4)
list_item1 = [‘Movies‘,‘TV‘]
for i in list_item1:
Mov_Tv.insert(END,i)
scr_MT = Scrollbar(frame_select)
Mov_Tv.configure(yscrollcommand = scr_MT.set)
scr_MT[‘command‘]=Mov_Tv.yview
#---------------选择电影/电视剧 种类-------------------
Kind_Select=Listbox(frame_select,exportselection=False,width=12,height=4)
list_item2 = [‘Hot‘,‘Newest‘,‘Classics‘,‘Playable‘,‘High Scores‘,
‘Wonderful but not popular‘,‘Chinese film‘,‘Hollywood‘,
‘Korea‘,‘Japan‘,‘Action movies‘,‘Comedy‘,‘Love story‘,
‘Science fiction‘,‘Thriller‘,‘Horror film‘,‘Whatever‘]
for i in list_item2:
Kind_Select.insert(END,i)
scr_Kind = Scrollbar(frame_select)
Kind_Select.configure(yscrollcommand = scr_Kind.set)
scr_Kind[‘command‘]=Kind_Select.yview
#---------------选择电影/电视剧 排序方式-------------------
Sort_Select=Listbox(frame_select,exportselection=False,width=12,height=4)
list_item3 = [‘Sort by hot‘,‘Sort by time‘,‘Sort by score‘]
for i in list_item3:
Sort_Select.insert(END,i)
scr_Sort = Scrollbar(frame_select)
Sort_Select.configure(yscrollcommand = scr_Sort.set)
scr_Sort[‘command‘]=Sort_Select.yview
#---------------选择电影/电视剧 是否加载评论-------------------
Comment_Select=Listbox(frame_select,exportselection=False,width=16,height=4)
list_item4 = [‘No film reviews‘,‘I like film reviews‘]
for i in list_item4:
Comment_Select.insert(END,i)
scr_Com = Scrollbar(frame_select)
Comment_Select.configure(yscrollcommand = scr_Com.set)
scr_Com[‘command‘]=Comment_Select.yview
#---------------选择电影/电视剧 选择TOP数-------------------
Label_TOP=Label(frame_select, text=‘TOP(xx)‘, font=(‘‘,10))
var_Top = StringVar()
input_Top = Entry(frame_select, textvariable=var_Top,width=8)
#---------------选择电影/电视剧 保存路径-------------------
Label_SN=Label(frame_select, text=‘SAVE_NAME(xx.txt)‘, font=(‘‘,10))
var_SN = StringVar()
input_SN = Entry(frame_select, textvariable=var_SN,width=8)
#----------------------------------------------输出框架-----------------------------------------
frame_output=Frame(root)
out_label=Label(frame_output,text=‘Details‘)
Ans = Listbox(frame_output,selectmode=MULTIPLE, height=15,width=80)#text也可以,Listbox好处在于换行
#点击crawl_button就进入getURL_Title(),点击clear_button就进入Clea()
crawl_button = Button(frame_output,text=‘crawl‘, command=getURL_Title)
clear_button = Button(frame_output,text=‘clear‘, command=Clea)
#纵向拖拽
scr_Out_y = Scrollbar(frame_output)
Ans.configure(yscrollcommand = scr_Out_y.set)
scr_Out_y[‘command‘]=Ans.yview
#横向拖拽
scr_Out_x = Scrollbar(frame_output,orient=‘horizontal‘)#ans x
Ans.configure(xscrollcommand = scr_Out_x.set)
scr_Out_x[‘command‘]=Ans.xview
#----------------------------------------------显示框架-----------------------------------------
#----------------选择框架显示--------------
frame_select.pack()
#影视框架显示
Mov_Tv.pack(side=LEFT)
scr_MT.pack(side=LEFT)
#种类框架显示
Kind_Select.pack(side=LEFT)
scr_Kind.pack(side=LEFT)
#排序框架显示
Sort_Select.pack(side=LEFT)
scr_Sort.pack(side=LEFT)
#评论框架显示
Comment_Select.pack(side=LEFT)
scr_Com.pack(side=LEFT)
#TOP输入
Label_TOP.pack()
input_Top.pack()
#SAVE NAME输入
Label_SN.pack()
input_SN.pack()
#----------------输出框架显示--------------
frame_output.pack()
out_label.pack()
crawl_button.pack(side=LEFT)
clear_button.pack(side=RIGHT)
scr_Out_y.pack(side=RIGHT)
Ans.pack()
scr_Out_x.pack()
#----------------根框架显示--------------
root.mainloop()
代码就不解释了。好好看下备注就ok了
问题及解决&Tips
1.在Python自定义豆瓣电影种类,排行,点评的爬取与存储(初级)的文章中,漏了简介的输出,这里补上,是我大意了。。添加如下代码即可(上篇已修复)
drama_wr=drama.text.encode(‘utf-8‘)
Write_txt(drama_wr,‘‘,save_name)
2.出现“提示:这篇影评可能剧透”,获取长评失败(上篇已修复),如图
问题出在这条语句上
comments_deep=driver_detail.find_element_by_xpath("//div[@class=‘review-bd‘]/div[2]/div
")
2.解决方案,分析网页元素,看看到底谁在搞鬼;
ok,一看就知道,是我们的标签平白无故多了个div,好办,直接写个判断语句填上
#解决加载长评会提示剧透问题导致无法加载
comments_get = driver_detail.find_element_by_xpath("//div[@class=‘review-bd‘]/div[2]/div")
if comments_get.text.encode(‘utf-8‘)==‘提示: 这篇影评可能有剧透‘:
comments_deep=driver_detail.find_element_by_xpath("//div[@class=‘review-bd‘]/div[2]/div[2]")
else:
comments_deep = comments_get
3.Kind有17个选项类别,一个个写if语句好心烦,好冗余,比如这样,要写17个
if Kind_Select.get(Kind_Select.curselection()).encode(‘utf-8‘)==‘Movies‘:
kind = 1
3.解决方案;用字典啊!!!!!!键值对应的除了字典还有更好的么???以Kind键入为例
#构建对应字典,方便键入值得对应关系查找
Kind_Dict={‘Hot‘:1,‘Newest‘:2,‘Classics‘:3,‘Playable‘:4,‘High Scores‘:5,
‘Wonderful but not popular‘:6,‘Chinese film‘:7,‘Hollywood‘:8,
‘Korea‘:9,‘Japan‘:10,‘Action movies‘:11,‘Comedy‘:12,‘Love story‘:13,
‘Science fiction‘:14,‘Thriller‘:15,‘Horror film‘:16,‘Whatever‘:17}
#最后一个电影老是在变啊,艹
kind=Kind_Dict[Kind_Select.get(Kind_Select.curselection()).encode(‘utf-8‘)]
4.目前只做了电影的抓取,电视剧那个还没做,我只是放在上面而已,所以请测试时候不要点击“Tv”选项,里面没东西的,我以后,要是有空,应该会把它补全的。挖坑挖坑0.0
一个奇怪的问题
打包之后的文件,对某些电影抓不了长评,我已排除程序问题,原打包程序在py环境下运行可用,但是exe有的长评就抓不了。。。目前无解
请看图,以盗梦空间为例
但是一样的程序,在py下运行时可以抓到长评的
这个我实在无解,可能是pyinstaller的bug吧
EXE成品文件下载
里面包含了上个cmd版本的源文件,是个合集
最后
测试时间花了挺多的,主要是selenium效率有点低,而且firefox资源占用太高,对海量数据抓取不是十分有利啊。有谁知道怎么抓海量动态数据么?知道的话请留言一下咯
PS
各省被水淹没,哈尔滨也终于下大雨了,大家出行注意安全–话说我还回去的家么。。。
致谢
@MrLevo520–伪解决Selenium中调用PhantomJS无法模拟点击(click)操作
@MrLevo520–Python输出(print)内容写入txt中保存
@MrLevo520–解决网页元素无法定位(NoSuchElementException: Unable to locate element)的几种方法
@Eastmount–[Python爬虫] Selenium+Phantomjs动态获取CSDN下载资源信息和评论
@Eastmount–[Python爬虫] 在Windows下安装PIP+Phantomjs+Selenium
@MrLevo520–解决Selenium弹出新页面无法定位元素问题(Unable to locate element)
@MrLevo520–Python自定义豆瓣电影种类,排行,点评的爬取与存储(初级)
@MrLevo520–Python基于Tkinter的二输入规则器(乞丐版)
@MrLevo520–基于Python的参考文献生成器1.0