【爬蟲】問題集-豆瓣電影

【爬蟲】問題集-豆瓣電影

本文章用於豆瓣電影爬取信息過程中出現的問題
全部內容見筆者的github

問題1 pip install numpy命令行輸入的時候報錯 OSError: [WinError 87] 參數錯誤

1. 場景

   • 用conda創建一個虛擬的環境：conda create -n scrapy python=3

2. 問題

   • 運行爬蟲代碼時，出現 OSError: [WinError 87] The parameter is incorrect

3. 描述

   • python=3默認安裝3.8，有些python庫並不支持python3.8

4. 解決方案

   • conda create -n scrapy python=3.7

問題2 WebDriverException: Message: unknown error: bad inspector message

1. 場景

   • 用python，selenium構建爬蟲獲取網頁信息，並用xpath進行頁面內容解析
   • url: https://movie.douban.com/subject/3878007/

2. 問題

   • webdriver能加載網站，但不能正確返回頁面內容

WebDriverException: Message: unknown error: bad inspector message
in
3 driver = webdriver.Chrome(options=chrome_options)
4 driver.get(url)
----> 5 html = driver.page_source
UnicodeEncodeError: ‘utf-8’ codec can’t encode character ‘\ud83d’ in position 76660: surrogates not allowed
html = HTML(url=self.url, html=content.encode(DEFAULT_ENCODING), default_encoding=DEFAULT_ENCODING)

3. 描述

   • 爬蟲在爬取頁面中含有emoji字符串時不能正確返回html
   • driver.page_source編碼使用的是utf-8,其最大的一個字符是3個字節，而emoji存儲需要4個字節

4. 解決方案

   • 不返回page_source，直接通過find_element_by_xpath來獲取內容
   • 使用requests獲取頁面內容

問題3 如何獲取字符串相同名稱的變量值

1. 場景

   • 爬蟲獲取相應信息後，將變量值添加到DataFrame

2. 問題

   • 獲取字符串相同名稱的變量值

3. 描述

   • 爬取內容時，將需要獲取的信息以字符串的形式存儲在可迭代的數據結構中，需要用時通過循環訪問可迭代數據結構即可

4. 解決方案

   • 用python內置的eval()函數，例如eval(‘egg’)返回egg變量的值

問題4 chrome添加參數

from selenium.webdriver.chrome.options import Options
from fake_useragent import UserAgent

chrome_options = Options()
ua = UserAgent()
user_agent = {“user-agent”: ua.random}

chrome_options.add_argument(f’–user-agent={user_agent}’) # 添加請求頭中的用戶代理
chrome_options.add_argument(’–disable-gpu’) # 禁用GPU
chrome_options.add_argument(’–headless’) # 無圖形界面
chrome_options.add_argument(’–blink-settings=imagesEnabled=false’) # 禁止圖片加載
chrome_options.add_argument(’–window-size=800,900’) # 設定屏幕分辨率
chrome_options.add_experimental_option(‘excludeSwitches’, [‘enable-automation’]) # 設定瀏覽器調控模式