Python爬虫使用selenium爬取qq群的成员信息（全自动实现自动登陆）
程序员文章站
2022-06-05 18:38:42
前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。 作者： python小爬虫 PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 http://note.youdao.com/noteshare?id=30 ......
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者： python小爬虫
ps：如有需要python学习资料的小伙伴可以加点击下方链接自行获取
-
效果图，其中涉及一些真名我就打码了，还有qq号我也打码了，见谅
-
-
分析登陆的元素，下图一目了然，怎么获取这个登陆元素应该都知道了
-
-
代码奉上
1 url = 'https://qun.qq.com/'
2 # 构建谷歌驱动器
3 browser = webdriver.chrome()
4 # 请求url
5 browser.get(url)
6 # 模拟登陆，首先找到登陆的id，并点击
7 browser.find_element_by_css_selector('#headerinfo p a').click()
-
点击之后出现这么一个框框（这个框框可把我折磨的阿）原因是这样的，寻常的获取这个框框是不能获取到的
5.先看看这个框所在的位置，这个框框竟然在另一个html代码里面，也就是说在浏览器看的时候，出现了两个html标签，老实说，我是第一次看到这种情况的，奈何我的html也不好，连入门都算不上，没办法，我就去百度了，果然黄天不负有心人，说是因为iframe这个标签可以再放html代码，所以就是这种情况了
-
既然知道了是怎么一回事之后，那就可以继续操作了，首先我们先找到iframe这个标签，然后获取它的src属性，这个链接就是这个框框登陆的链接了，如果不获取这个iframe标签的src属性，那么我们使用selenium是获取不到这个框框的元素的。
1 # 点击之后会弹出一个登陆框，这时候我们用显示等待来等待这个登陆框加载出来
2 webdriverwait(browser, 1000).until(
3 ec.presence_of_all_elements_located(
4 (by.css_selector, '#loginwin iframe')
5 )
6 )
7 print('登陆框已加载')
8 # 登陆框加载之后，我们发现整个登陆框其实就是另一个网网页
9 # 如果在原网页操作这个登陆框的话，是不能操作的
10 # 所以我们只需要提取iframe标签的src属性，然后再去访问这个url即可实现
11 # 自动登陆
12 # 找到iframe标签并获取src
13 iframe_url = browser.find_element_by_css_selector('#loginwin iframe').get_attribute('src')
14 # 再访问这个url
15 browser.get(iframe_url)
16 # 找到快捷登陆的头像并点击
17 # 首先用显示等待这个头像已经加载完成
18 webdriverwait(browser, 1000).until(
19 ec.presence_of_all_elements_located(
20 (by.id, 'qlogin_list')
21 )
22 )
23 browser.find_element_by_css_selector('#qlogin_list a').click()
24 print('登陆成功')
-
登陆成功之后我们需要的是群管理，是ul标签的第四个li标签，通过xpath获取
-
1 # 登陆成功之后，我们就找到群管理的标签并点击,首先等待这个元素加载完成
2 webdriverwait(browser, 1000).until(
3 ec.presence_of_all_elements_located(
4 (by.xpath, './/ul[@id="headernav"]/li[4]')
5 )
6 )
7 browser.find_element_by_xpath('.//ul[@id="headernav"]/li[4]').click()
8.点击群管理之后，进入群管理界面，我们需要的是成员管理
1 # 点击之后，我们找到成员管理标签并点击
2 webdriverwait(browser, 1000).until(
3 ec.presence_of_all_elements_located(
4 (by.class_name, 'color-tit')
5 )
6 )
7 browser.find_element_by_class_name('color-tit').click()
9.点击成员管理之后会重新新建一个窗口，这个时候就会出现句柄，我们需要将当然窗口的句柄切换到新打开的这个界面，不然的话，是获取不到新打开界面的信息的，注释已经写了
1 # 打印全部窗口句柄 2 # print(browser.window_handles) 3 # 打印当前窗口句柄 4 # print(browser.current_window_handle) 5 # 注意这里点击成员管理之后会自动跳转到一个新窗口打开这个页面 6 # 所以我们需要将窗口句柄切换到这个新窗口 7 8 browser.switch_to.window(browser.window_handles[1]) 9 10 # 解释一下browser.switch_to.window是获取当前一共有几个窗口 11 # 这里是2个 12 # browser.switch_to.window这个是指定当前游标切换到哪个窗口 13 # 其实也可以这么写 14 # all_window = browser.switch_to.window返回的是一个列表 15 # browser.switch_to.window(all_window[1]) 16 # 效果是一样的
10.我们需要的是我加入的群信息
1 # 切换句柄之后，我们显示等待窗口出来
2 webdriverwait(browser, 1000).until(
3 ec.presence_of_all_elements_located(
4 (by.class_name, 'my-all-group')
5 )
6 )
7
8 # 筛选出我加入的群标签
9 lis = browser.find_elements_by_xpath('.//div[@class="my-all-group"]/ul[2]/li')
11.遍历列表，取出信息
# 遍历
num= 0
while true:
if num == len(lis):
break
try:
# 按顺序选择群并获取信息
# 先点击该群获取成员信息
lis[num].click()
# 显示等待信息加载完成
webdriverwait(browser, 1000).until(
ec.presence_of_all_elements_located(
(by.class_name, 'list')
)
)
# 获取该群当前有多少人，后面翻页需要
groupmembernum = eval(browser.find_element_by_id('groupmembernum').text)
# 每一次翻页都会刷新21条信息，所以写个循环
# 这里加1是因为假如一个群有36人，那么count=1，如果循环的话就不会翻页了
# 也就是只能抓到一页的数据，大家可以自己想想其中的流程就知道了
count = groupmembernum // 21 + 1
# 这里我只爬取每个群的一部分，如果想爬取全部成员信息
# 请注释下面的if语句
if count > 2:
count = 1
# 每次循环都进行翻页
# while count:
# count -= 1
#
# browser.execute_script('document.documentelement.scrolltop=100000')
# time.sleep(2)
time.sleep(2)
# 开始获取成员信息
trs = browser.find_elements_by_class_name('mb')
if trs:
# 遍历
for tr in trs:
tds = tr.find_elements_by_tag_name('td')[2:]
if len(tds) == 8:
# qq网名
qq_name = tds[0].text
# 群名称
group_name = tds[1].text
# qq号
qq_number = tds[2].text
# 性别
gender = tds[3].text
# qq年龄
qq_year = tds[4].text
# 入群时间
join_time = tds[5].text
# 等级（积分）
level = none
# 最后发言时间
end_time = tds[6].text
# 声明一个字典存储数据
data_dict = {}
data_dict['qq_name'] = qq_name
data_dict['group_name'] = group_name
data_dict['qq_number'] = qq_number
data_dict['gender'] = gender
data_dict['qq_year'] = qq_year
data_dict['join_time'] = join_time
data_dict['level'] = level
data_dict['end_time'] = end_time
print(data_dict)
elif len(tds) == 9:
# qq网名
qq_name = tds[0].text
# 群名称
group_name = tds[1].text
# qq号
qq_number = tds[2].text
# 性别
gender = tds[3].text
# qq年龄
qq_year = tds[4].text
# 入群时间
join_time = tds[5].text
# 等级（积分）
level = tds[6].text
# 最后发言时间
end_time = tds[7].text
# 声明一个字典存储数据
data_dict = {}
data_dict['qq_name'] = qq_name
data_dict['group_name'] = group_name
data_dict['qq_number'] = qq_number
data_dict['gender'] = gender
data_dict['qq_year'] = qq_year
data_dict['join_time'] = join_time
data_dict['level'] = level
data_dict['end_time'] = end_time
data_list.append(data_dict)
print(data_dict)
browser.find_element_by_id('changegroup').click()
time.sleep(3)
webdriverwait(browser, 1000).until(
ec.presence_of_all_elements_located(
(by.class_name, 'ui-dialog')
)
)
lis = browser.find_elements_by_xpath('.//div[@class="my-all-group"]/ul[2]/li')
num += 1
except exception as e:
lis = browser.find_elements_by_xpath('.//div[@class="my-all-group"]/ul[2]/li')
num += 1
continue
1 # 导入需要的包
2 # 爬取qq群的成员信息
3 from selenium import webdriver
4 from selenium.webdriver.support.ui import webdriverwait
5 from selenium.webdriver.support import expected_conditions as ec
6 from selenium.webdriver.common.by import by
7 import time
8 import json
9 import csv
10
11
12 # 开始登陆
13 def login_spider():
14
15 url = 'https://qun.qq.com/'
16 # 构建谷歌驱动器
17 browser = webdriver.chrome()
18 # 请求url
19 browser.get(url)
20 # 模拟登陆，首先找到登陆的id，并点击
21 browser.find_element_by_css_selector('#headerinfo p a').click()
22 # 点击之后会弹出一个登陆框，这时候我们用显示等待来等待这个登陆框加载出来
23 webdriverwait(browser, 1000).until(
24 ec.presence_of_all_elements_located(
25 (by.css_selector, '#loginwin iframe')
26 )
27 )
28 print('登陆框已加载')
29 # 登陆框加载之后，我们发现整个登陆框其实就是另一个网网页
30 # 如果在原网页操作这个登陆框的话，是不能操作的
31 # 所以我们只需要提取iframe标签的src属性，然后再去访问这个url即可实现
32 # 自动登陆
33 # 找到iframe标签并获取是如此熟悉
34 iframe_url = browser.find_element_by_css_selector('#loginwin iframe').get_attribute('src')
35 # 再访问这个url
36 browser.get(iframe_url)
37 # 找到快捷登陆的头像并点击
38 # 首先用显示等待这个头像已经加载完成
39 webdriverwait(browser, 1000).until(
40 ec.presence_of_all_elements_located(
41 (by.id, 'qlogin_list')
42 )
43 )
44 browser.find_element_by_css_selector('#qlogin_list a').click()
45 print('登陆成功')
46
47 return browser
48
49
50 # 切换句柄操作
51 def switch_spider(browser):
52 # 登陆成功之后，我们就找到群管理的标签并点击,首先等待这个元素加载完成
53 webdriverwait(browser, 1000).until(
54 ec.presence_of_all_elements_located(
55 (by.xpath, './/ul[@id="headernav"]/li[4]')
56 )
57 )
58 browser.find_element_by_xpath('.//ul[@id="headernav"]/li[4]').click()
59 # 点击之后，我们找到成员管理标签并点击
60 webdriverwait(browser, 1000).until(
61 ec.presence_of_all_elements_located(
62 (by.class_name, 'color-tit')
63 )
64 )
65 browser.find_element_by_class_name('color-tit').click()
66 # 打印全部窗口句柄
67 # print(browser.window_handles)
68 # 打印当前窗口句柄
69 # print(browser.current_window_handle)
70 # 注意这里点击成员管理之后会自动跳转到一个新窗口打开这个页面
71 # 所以我们需要将窗口句柄切换到这个新窗口
72 browser.switch_to.window(browser.window_handles[1])
73 # 解释一下browser.switch_to.window是获取当前一共有几个窗口
74 # 这里是2个
75 # browser.switch_to.window这个是指定当前游标切换到哪个窗口
76 # 其实也可以这么写
77 # all_window = browser.switch_to.window返回的是一个列表
78 # browser.switch_to.window(all_window[1])
79 # 效果是一样的
80
81 return browser
82
83
84 # 开始采集数据
85 def start_spider(browser):
86 # 声明一个列表存储字典
87 data_list = []
88 # 切换句柄之后，我们显示等待窗口出来
89 webdriverwait(browser, 1000).until(
90 ec.presence_of_all_elements_located(
91 (by.class_name, 'my-all-group')
92 )
93 )
94
95 # 筛选出我加入的群标签
96 lis = browser.find_elements_by_xpath('.//div[@class="my-all-group"]/ul[2]/li')
97 # 遍历
98 num = 0
99 while true:
100 try:
101 # 按顺序选择群并获取信息
102 # 先点击该群获取成员信息
103 lis[num].click()
104 # 显示等待信息加载完成
105 webdriverwait(browser, 1000).until(
106 ec.presence_of_all_elements_located(
107 (by.class_name, 'list')
108 )
109 )
110 # 获取该群当前有多少人，后面翻页需要
111 groupmembernum = eval(browser.find_element_by_id('groupmembernum').text)
112 # 每一次翻页都会刷新21条信息，所以写个循环
113 # 这里加1是因为假如一个群有36人，那么count=1，如果循环的话就不会翻页了
114 # 也就是只能抓到一页的数据，大家可以自己想想其中的流程就知道了
115 count = groupmembernum // 21 + 1
116 # 这里我只爬取每个群的一部分，如果想爬取全部成员信息
117 # 请注释下面的if语句
118 if count > 5:
119 count = 5
120 # 每次循环都进行翻页
121 while count:
122 count -= 1
123
124 browser.execute_script('document.documentelement.scrolltop=100000')
125 time.sleep(2)
126 time.sleep(3)
127 # 开始获取成员信息
128 trs = browser.find_elements_by_class_name('mb')
129 if trs:
130 # 遍历
131 for tr in trs:
132 tds = tr.find_elements_by_tag_name('td')[2:]
133 if len(tds) == 8:
134 # qq网名
135 qq_name = tds[0].text
136 # 群名称
137 group_name = tds[1].text
138 # qq号
139 qq_number = tds[2].text
140 # 性别
141 gender = tds[3].text
142 # qq年龄
143 qq_year = tds[4].text
144 # 入群时间
145 join_time = tds[5].text
146 # 等级（积分）
147 level = none
148 # 最后发言时间
149 end_time = tds[6].text
150
151 # 声明一个字典存储数据
152 data_dict = {}
153 data_dict['qq_name'] = qq_name
154 data_dict['group_name'] = group_name
155 data_dict['qq_number'] = qq_number
156 data_dict['gender'] = gender
157 data_dict['qq_year'] = qq_year
158 data_dict['join_time'] = join_time
159 data_dict['level'] = level
160 data_dict['end_time'] = end_time
161
162 print(data_dict)
163 elif len(tds) == 9:
164 # qq网名
165 qq_name = tds[0].text
166 # 群名称
167 group_name = tds[1].text
168 # qq号
169 qq_number = tds[2].text
170 # 性别
171 gender = tds[3].text
172 # qq年龄
173 qq_year = tds[4].text
174 # 入群时间
175 join_time = tds[5].text
176 # 等级（积分）
177 level = tds[6].text
178 # 最后发言时间
179 end_time = tds[7].text
180
181 # 声明一个字典存储数据
182 data_dict = {}
183 data_dict['qq_name'] = qq_name
184 data_dict['group_name'] = group_name
185 data_dict['qq_number'] = qq_number
186 data_dict['gender'] = gender
187 data_dict['qq_year'] = qq_year
188 data_dict['join_time'] = join_time
189 data_dict['level'] = level
190 data_dict['end_time'] = end_time
191 data_list.append(data_dict)
192
193 print(data_dict)
194
195 browser.find_element_by_id('changegroup').click()
196 time.sleep(3)
197 webdriverwait(browser, 1000).until(
198 ec.presence_of_all_elements_located(
199 (by.class_name, 'ui-dialog')
200 )
201 )
202 lis = browser.find_elements_by_xpath('.//div[@class="my-all-group"]/ul[2]/li')
203 num += 1
204 except exception as e:
205 continue
206
207 return data_list
208
209
210 def main():
211
212 browser = login_spider()
213 browser = switch_spider(browser)
214 data_list = start_spider(browser)
215
216 # 将数据写入json文件
217 with open('data_json.json', 'a+', encoding='utf-8') as f:
218 json.dump(data_list, f)
219 print('json文件写入完成')
220 # 这里的编码格式不要写错了，不然会出现乱码，因为群里面的大神名字贼骚
221 with open('data_csv.csv', 'w', encoding='utf-8-sig', newline='') as f:
222 # 表头
223 title = data_list[0].keys()
224 # 声明writer
225 writer = csv.dictwriter(f, title)
226 # 写入表头
227 writer.writeheader()
228 # 批量写入数据
229 writer.writerows(data_list)
230 print('csv文件写入完成')
231
232
233 if __name__ == '__main__':
234
235 main()
上一篇： ubuntu ssh服务端配置
下一篇： Maven settings 文件配置