python爬取qq空间说说

模块：selenium，pyquery，json，time 
使用的是：Chrome 
遇到的问题： 
1. 模拟点击下一页操作，需要换方式。 
2. 遇到元素在frame，需要进入查找。

对空间的登陆进行分析

进入网址：https://i.qq.com/ 
说说地址：https://user.qzone.qq.com/{qq}/311 

我模拟点击这个头像，也可以点击账号密码登陆，然后填充。 
对头像点击右键检查审查元素 

我们可以模拟点击这个标签的id进行模拟操作

        url = f'https://user.qzone.qq.com/{qq}/311'
        browser.get(url)
        try:
            browser.find_element(By.NAME, 'login_frame')  # 发现登陆的frame
        except: raise else: try: browser.switch_to_frame('login_frame') # 发现之后进入login_frame login = wait.until(EC.element_to_www.mcyllpt.com/ be_clickable( (By.ID, 'img_out_1290259791')www.yigouyule2.cn )) # 获取点击按钮 也可以进行输入账号密码 login.click(www.536611.cn ) # 进行点击 except Exception as e: raise time.sleep(2)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15

在模拟登陆的时候： 
1. 直接寻找这个By.ID,img_out_1290259791是查找不到的，因为他在frame里面，所以browser.find_element(By.NAME, ‘login_frame’)进行判断发现。 
2. 然后再进入 browser.switch_to_frame(‘login_frame’) 
3. 然后才是模拟点击登陆

对说说进行分析

思路是：首先寻找说说有几页，然后在进行每页的跳转

这里就是说说的内容，发现这里也是一个frame，所以要进入，然后判断说说有几页。 

browser.switch_to_frame('app_canvas_frame')  # 进入switch_to_frame
        page_last = wait.until(EC.presence_of_element_located(
            (By.CSS_SELECTOR, '#pager_last_0 > span'))).text # 最后一页 return int(page_last)

• 1
• 2
• 3
• 4

对说说内容进行分析

def get_page_text(n):
    try: doc = pq(browser.page_source) # 获取页面的html items = doc('#msgList > li.feed').items() # 获取所有的说说 for item in items: # 对说说进行分开 yield { 'time': item.find('div.box.bgr3 > div.ft > div.info > .c_tx3 > .c_tx').text(), 'text': item.find('.content').text().lstrip('♡\n') } text = wait.until(EC.presence_of_element_located((By.ID, f'pager_go_{n-1}'))) # 获取跳转页的输入框 text.send_keys(n+1) # 输入下一页 text.send_keys(Keys.ENTER) #进行确定 except: browser.close()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

一开始模拟的点击下一页来进行爬去，但是遇到的问题是， 
1. 有的时候模拟点击的时候页面没有加载完毕，所以模拟点击的位置不在下一页 
2. 点击下一页了，没有跳转

所以换取了思路，进行跳转页的点击，知道了这一点以后，遇到爬页面的点击就不要模拟点击下一页了。 
爬取的格式：

{"time": "12:42", "text": "一个男生如果真的爱你 无论多忙 都会腾出时间来陪你 他舍不得你胡思乱想 {uin:5289224,nick:查看全文,who:1}"} {"time": "6:00", "text": " 我发现女孩子很容易被感动 喜欢的人说一句稍微宠溺一点的话 就开心的想把脸埋进被子里闷闷的笑出声 笑完又觉得丢脸 明明一大把年纪 还像个没爱过人的少女"} {"time": "昨天23:07", "text": " 如果想我了 就抱抱空气吧 毕竟本可爱无处不在"} {"time": "昨天23:07", "text": ""} {"time": "昨天20:09", "text": "\"\"\" 他本是小小子国的质子，身份卑微，但是没关系。她喜 今夜，是她的新婚夜。 她披着凤冠霞帔，紧张又害怕。 最后她听到宫女们的声音，唤了一声驸马爷。 她知道，他来了，她的如意郎君魏君羡。欢他，喜欢这匹野马，一步步提携，最终胜任皇宫禁卫军统领，这才有资格成为她的驸马。 她从盖头的边缘看到了他的靴子，驻足在面前，却迟迟没有揭开盖头。 她正纳闷，没想到他吹熄了蜡烛，直接将她Tui到在chuang上，随后是si&che她的喜服。 嘶啦一声，她骤然一凉。 “君羡……”"} {"time": "昨天13:47", "text": " 祝你喜欢的人恰巧也喜欢你 祝你每次考试都能有进步 祝你在下雨天时路上的空车都不拒载 祝你做过的美梦都不会忘记 祝你的心情永远像周五的下午 祝你永远活的像个孩子"}

• 1
• 2
• 3
• 4
• 5
• 6

完整的代码

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait from pyquery import PyQuery as pq import time import json options = webdriver.ChromeOptions(www.dejiaylsmile.cn ) # 设置无图模式 prefs = { 'profile.default_content_setting_values': { 'images': 2 } } options.add_argument('--headless') # 浏览器隐藏 options.add_argument('--disable-gpu') options.add_experimental_option('prefs', prefs) #设置无图模式 browser = webdriver.Chrome(chrome_options=options) wait = WebDriverWait(browser, 5) def get_last_page(qq): try: url = f'https://user.qzone.qq.com/{qq}/311' browser.get(url) try: browser.find_element(By.NAME, 'login_frame') # 发现登陆的frame except: raise else: try: browser.switch_to_frame('login_frame') # 发现之后进入login_frame login = wait.until(EC.element_to_be_clickable( (By.ID, 'img_out_1290259791'))) # 获取点击按钮 也可以进行输入账号密码 login.click() # 进行点击 except Exception as e: raise time.sleep(2) browser.switch_to_frame('app_canvas_frame') # 进入switch_to_frame page_last = wait.until(EC.presence_of_element_located( (By.CSS_SELECTOR, '#pager_last_0 > span'))).text # 最后一页 return int(page_last) except Exception: get_last_page(qq) def get_page_text(n): try: doc = pq(browser.page_source) # 获取页面的html items = doc('#msgList > li.feed').items() # 获取所有的说说 for item in items: # 对说说进行分开 yield { 'time': item.find('div.box.bgr3 > div.ft > div.info > .c_tx3 > .c_tx').text(), 'text': item.find('.content').text().lstrip('♡\n') } text = wait.until(EC.presence_of_element_located((By.ID, f'pager_go_{n-1}'))) # 获取跳转页的输入框 text.send_keys(n+1) # 输入下一页 text.send_keys(Keys.ENTER) #进行确定 except: browser.close() def write_page(page): with open('qq.txt', 'a', encoding='utf-8') as f: for page in get_page_text(page): f.write(json.dumps(page, ensure_ascii=False) + '\n') # 将dict转换为json格式进行保存 if __name__ == '__main__': page_last = get_last_page('qq') for i in range(1, page_last+1): write_page(i) browser.close()