Python爬虫实现获取斗鱼主播信息

我发现首页是一些推荐的主播，并不全面，不能全部爬取，所以我这里选择了分类页

这里是斗鱼所以的直播分类，我们可以看到所有的分类全部都在这一页，所以我们只需要把每个分类的地址拿到。

在浏览器中按F12，我们看到

Python爬虫实现获取斗鱼主播信息

Python爬虫实现获取斗鱼主播信息

每个分类都是由

标签写的标签的class为unit,并且含有链接和文本

Python爬虫实现获取斗鱼主播信息

所有我们只需要

def main_wj():

r = requests.get("https://www.douyu.com/directory") #从分类目录读取所有分类的名字和链接地址

r.encoding = 'utf-8'

soup = BeautifulSoup(r.text, 'html.parser') #美丽汤，用于html更加简便

urls = []

names = []

for link in soup.select('.unit '): #分类链接和名字的 class 是unit

urls.append(link.select('a')[0]['href']) #添加链接到urls列表

names.append(link.select('a')[0].text.strip().replace(":", "")) #添加分类名到names列表，

且替换掉名字中的:，避免后面创建文件夹失败

就能够把所有分类(分类名+分类地址)获取到了

下面我们随便进入一个分类中

如果是一般的分页都是 直接在链接中改 id ,但是我们点击第二页后发现，网页的地址没有改变，说明很可能是用JavaScript实现的分页功能，这怎么办呢，如果按照之前的方法只能获取到第一页。下面我们按F12，选中network-XHR,然后点击第二页。

Python爬虫实现获取斗鱼主播信息

我们看到一个2的文件，点击进去

Python爬虫实现获取斗鱼主播信息

我们发现是这个api给刚刚分类页面提供的数据

Python爬虫实现获取斗鱼主播信息

所有我们只需要从这个api，就能够获取所有的，信息了

我们发现这个链接，就两个参数，2_350,2，很明显可能看出，后面的2是第2页，不信的可以，点击3验证一下，那么2_350就是表示分类了，那么还有一个问题需要确定，就是一共有多少页，现在我们回到第一页，看源码，有一个JavaScript标签

Python爬虫实现获取斗鱼主播信息

rk_=”2_350”，就是分类 count = “5”，是总页数，

所以后面我们只需要提取这两个参数就行

def write_info(a1,a2,name): # a1 分类接口编号 a2 分类页数 name 分类名

os.mkdir("F:\yusheng\"+name) #以分类名创建目录,F:盘的yusheng文件夹下

global num # 初始化全局变量 用于统计主播数量

num = 1

for x in range(int(a2[0])): # 循环写入每一页的信息

getUrl_wj("/gapi/rkc/directory/" + str(a1[0]) + "/" + str(x + 1), name)

print("当前完成分类："+name)

下面是在每个api分类中提取数据就简单了，只需要用个正则表达式就行了

def getUrl_wj(url,name): #接口url ,分类名

res = requests.get("https://www.douyu.com"+url)

res.encoding = 'utf-8'

ze = '"rid":(.?),"rn":".?","uid":.?,"nn":"(.?)"' #rid = 房间号 nn = 主播名

s = re.findall(ze, res.text) #获得主播的房间号 和 名字

global num

f = open("F:\\yusheng\\"+name+"\\zhubo.txt","a") #以追加的模式打开文件txt文件

for x in s:

t = list(x)

try:

f.write(str(t[0])+"\t\t"+str(t[1])+"\t\t"+str(num)+"\n") #写入信息，防止编码异常的问题，这里try一下

num+=1

except UnicodeEncodeError:

continue

f.close() #关闭文件

以上就是全部的过程了，仔细的朋友可能会发现一点不足，这只能获取在线的。第一次爬取，有不足之处，望见谅，也欢迎大家的批评指正，下面是完整代码：

from bs4 import BeautifulSoup #美丽汤 ，可以很好的读取html标签，本来想练练这个的，可是后来发现用到不到，情况特殊

import requests

import re

import os

def getUrl_wj(url,name): #接口url ,分类名

res = requests.get("https://www.douyu.com"+url)

res.encoding = 'utf-8'

ze = '"rid":(.*?),"rn":".*?","uid":.*?,"nn":"(.*?)"' #rid = 房间号 nn = 主播名

s = re.findall(ze, res.text) #获得主播的房间号 和 名字

global num

f = open("F:\\\\yusheng\\\\"+name+"\\\\zhubo.txt","a") #以追加的模式打开文件txt文件

for x in s:

t = list(x)

try:

f.write(str(t[0])+"\t\t"+str(t[1])+"\t\t"+str(num)+"\n") #写入信息，防止编码异常的问题，这里try一下

num+=1

except UnicodeEncodeError:

continue

f.close() #关闭文件

def getUrl(url):

res = requests.get("https://www.douyu.com" + url) #向指定某分类页发送请求

# 通过接收到的数据，是通过js动态实现多页数据显示的

# 后来通过查看js文件发现他调用了API的接口

# /gapi/rkc/directory/"(分类编号)/(分类页数)

# 所以后面只需要分析接口的数据就行

res.encoding='utf-8'

ze = 'PAGE.rk= "(.*?)";' #指定某个分类的接口编号

ze2 = 'count: "(.*?)",' #指定某个分类的页数

s = re.findall(ze,res.text) #通过正则表达式过滤出信息

s2 =re.findall(ze2,res.text)

return s,s2 #返回 分类接口编号 和 分类页数

def write_info(a1,a2,name): # a1 分类接口编号 a2 分类页数 name 分类名

os.mkdir("F:\\yusheng\\"+name) # 以分类名创建目录

global num # 初始化全局变量 用于统计主播数量

num = 1

for x in range(int(a2[0])): # 循环写入每一页的信息

getUrl_wj("/gapi/rkc/directory/" + str(a1[0]) + "/" + str(x + 1), name)

print("当前完成分类："+name)

def main_wj():

r = requests.get("https://www.douyu.com/directory") #从分类目录读取所有分类的名字和链接地址

r.encoding = 'utf-8'

soup = BeautifulSoup(r.text, 'html.parser') #美丽汤，用于html更加简便

urls = []

names = []

for link in soup.select('.unit '): #分类链接和名字的 class 是unit

urls.append(link.select('a')[0]['href']) #添加链接到urls列表

names.append(link.select('a')[0].text.strip().replace(":", "")) #添加分类名到names列表，

# 且替换掉名字中的:，避免后面创建文件夹失败

for url, name in zip(urls, names): #循环遍历列表 urls 和 names

a1, a2 = getUrl(url)

write_info(a1, a2, name)

num = 1

main_wj()

Python爬虫实现获取斗鱼主播信息

我发现首页是一些推荐的主播，并不全面，不能全部爬取，所以我这里选择了分类页

这里是斗鱼所以的直播分类，我们可以看到所有的分类全部都在这一页，所以我们只需要把每个分类的地址拿到。

在浏览器中按F12，我们看到

Python爬虫实现获取斗鱼主播信息

Python爬虫实现获取斗鱼主播信息

每个分类都是由

标签写的标签的class为unit,并且含有链接和文本

Python爬虫实现获取斗鱼主播信息

所有我们只需要

def main_wj():

r = requests.get("https://www.douyu.com/directory") #从分类目录读取所有分类的名字和链接地址

r.encoding = 'utf-8'

soup = BeautifulSoup(r.text, 'html.parser') #美丽汤，用于html更加简便

urls = []

names = []

for link in soup.select('.unit '): #分类链接和名字的 class 是unit

urls.append(link.select('a')[0]['href']) #添加链接到urls列表

names.append(link.select('a')[0].text.strip().replace(":", "")) #添加分类名到names列表，

且替换掉名字中的:，避免后面创建文件夹失败

就能够把所有分类(分类名+分类地址)获取到了

下面我们随便进入一个分类中

如果是一般的分页都是 直接在链接中改 id ,但是我们点击第二页后发现，网页的地址没有改变，说明很可能是用JavaScript实现的分页功能，这怎么办呢，如果按照之前的方法只能获取到第一页。下面我们按F12，选中network-XHR,然后点击第二页。

Python爬虫实现获取斗鱼主播信息

我们看到一个2的文件，点击进去

Python爬虫实现获取斗鱼主播信息

我们发现是这个api给刚刚分类页面提供的数据

Python爬虫实现获取斗鱼主播信息

所有我们只需要从这个api，就能够获取所有的，信息了

我们发现这个链接，就两个参数，2_350,2，很明显可能看出，后面的2是第2页，不信的可以，点击3验证一下，那么2_350就是表示分类了，那么还有一个问题需要确定，就是一共有多少页，现在我们回到第一页，看源码，有一个JavaScript标签

Python爬虫实现获取斗鱼主播信息

rk_=”2_350”，就是分类 count = “5”，是总页数，

所以后面我们只需要提取这两个参数就行

def write_info(a1,a2,name): # a1 分类接口编号 a2 分类页数 name 分类名

os.mkdir("F:\yusheng\"+name) #以分类名创建目录,F:盘的yusheng文件夹下

global num # 初始化全局变量 用于统计主播数量

num = 1

for x in range(int(a2[0])): # 循环写入每一页的信息

getUrl_wj("/gapi/rkc/directory/" + str(a1[0]) + "/" + str(x + 1), name)

print("当前完成分类："+name)

下面是在每个api分类中提取数据就简单了，只需要用个正则表达式就行了

def getUrl_wj(url,name): #接口url ,分类名

res = requests.get("https://www.douyu.com"+url)

res.encoding = 'utf-8'

ze = '"rid":(.?),"rn":".?","uid":.?,"nn":"(.?)"' #rid = 房间号 nn = 主播名

s = re.findall(ze, res.text) #获得主播的房间号 和 名字

global num

f = open("F:\\yusheng\\"+name+"\\zhubo.txt","a") #以追加的模式打开文件txt文件

for x in s:

t = list(x)

try:

f.write(str(t[0])+"\t\t"+str(t[1])+"\t\t"+str(num)+"\n") #写入信息，防止编码异常的问题，这里try一下

num+=1

except UnicodeEncodeError:

continue

f.close() #关闭文件

以上就是全部的过程了，仔细的朋友可能会发现一点不足，这只能获取在线的。第一次爬取，有不足之处，望见谅，也欢迎大家的批评指正，下面是完整代码：

from bs4 import BeautifulSoup #美丽汤 ，可以很好的读取html标签，本来想练练这个的，可是后来发现用到不到，情况特殊

import requests

import re

import os

def getUrl_wj(url,name): #接口url ,分类名

res = requests.get("https://www.douyu.com"+url)

res.encoding = 'utf-8'

ze = '"rid":(.*?),"rn":".*?","uid":.*?,"nn":"(.*?)"' #rid = 房间号 nn = 主播名

s = re.findall(ze, res.text) #获得主播的房间号 和 名字

global num

f = open("F:\\\\yusheng\\\\"+name+"\\\\zhubo.txt","a") #以追加的模式打开文件txt文件

for x in s:

t = list(x)

try:

f.write(str(t[0])+"\t\t"+str(t[1])+"\t\t"+str(num)+"\n") #写入信息，防止编码异常的问题，这里try一下

num+=1

except UnicodeEncodeError:

continue

f.close() #关闭文件

def getUrl(url):

res = requests.get("https://www.douyu.com" + url) #向指定某分类页发送请求

# 通过接收到的数据，是通过js动态实现多页数据显示的

# 后来通过查看js文件发现他调用了API的接口

# /gapi/rkc/directory/"(分类编号)/(分类页数)

# 所以后面只需要分析接口的数据就行

res.encoding='utf-8'

ze = 'PAGE.rk= "(.*?)";' #指定某个分类的接口编号

ze2 = 'count: "(.*?)",' #指定某个分类的页数

s = re.findall(ze,res.text) #通过正则表达式过滤出信息

s2 =re.findall(ze2,res.text)

return s,s2 #返回 分类接口编号 和 分类页数

def write_info(a1,a2,name): # a1 分类接口编号 a2 分类页数 name 分类名

os.mkdir("F:\\yusheng\\"+name) # 以分类名创建目录

global num # 初始化全局变量 用于统计主播数量

num = 1

for x in range(int(a2[0])): # 循环写入每一页的信息

getUrl_wj("/gapi/rkc/directory/" + str(a1[0]) + "/" + str(x + 1), name)

print("当前完成分类："+name)

def main_wj():

r = requests.get("https://www.douyu.com/directory") #从分类目录读取所有分类的名字和链接地址

r.encoding = 'utf-8'

soup = BeautifulSoup(r.text, 'html.parser') #美丽汤，用于html更加简便

urls = []

names = []

for link in soup.select('.unit '): #分类链接和名字的 class 是unit

urls.append(link.select('a')[0]['href']) #添加链接到urls列表

names.append(link.select('a')[0].text.strip().replace(":", "")) #添加分类名到names列表，

# 且替换掉名字中的:，避免后面创建文件夹失败

for url, name in zip(urls, names): #循环遍历列表 urls 和 names

a1, a2 = getUrl(url)

write_info(a1, a2, name)

num = 1

main_wj()