感谢参考原文-http://bjbsair.com/2020-03-27/tech-info/7150.html
下面我们进入正题 首先 我们进入斗鱼的官网
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
分类页地址：https://www.douyu.com/directory
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
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
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
https://www.douyu.com/directory/game/jdqscjzc 我们拉到最下面，发现是有分页的
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。
我们看到一个2的文件，点击进去
我们发现是这个api给刚刚分类页面提供的数据
所有我们只需要从这个api，就能够获取所有的，信息了
https://www.douyu.com/gapi/rkc/directory/2_350/2
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
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()
感谢参考原文-http://bjbsair.com/2020-03-27/tech-info/7150/
下面我们进入正题 首先 我们进入斗鱼的官网
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
分类页地址：https://www.douyu.com/directory
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
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
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
https://www.douyu.com/directory/game/jdqscjzc 我们拉到最下面，发现是有分页的
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。
我们看到一个2的文件，点击进去
我们发现是这个api给刚刚分类页面提供的数据
所有我们只需要从这个api，就能够获取所有的，信息了
https://www.douyu.com/gapi/rkc/directory/2_350/2
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
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()
