Python初学者之网络爬虫


声明:本文内容和涉及到的代码仅限于个人学习,任何人不得作为商业用途。

本文将介绍我最近在学习Python过程中写的一个爬虫程序,将力争做到不需要有任何Python基础的程序员都能读懂。读者也可以先跳到文章末尾看最终收集的数据效果和完整代码。

1. 确立目标需求

本次练习Python爬虫的目标需求为以下两点:

1) 收集huajiao.com上的人气主播信息:每位主播的关注数,粉丝数,赞数,经验值等数据

2) 收集每位人气主播的直播历史数据,包括每次直播的开播时间,观看人数,赞数等数据

2. 确立逻辑步骤

首先通过浏览器查看www.huajiao.com网站上的各个页面,分析它的网站结构。得到如下信息:

1) 每一个导航项列出的都是直播列表,而非主播的个人主页列表

以“热门推荐”为例,如下图,每个直播页面的url格式为http://www.huajiao.com/l/liveId, 这里的liveId唯一标识一个直播,比如http://www.huajiao.com/l/52860333
直播列表

2) 在直播页上有主播的用户ID和昵称等信息

通过点击用户昵称可以进入主播的个人主页
直播页

3) 在主播个人主页上有更加完整的个人信息

更加完整的个人信息包括关注数,粉丝数,赞数,经验值等数据;也有主播的直播历史数据,如下图,每个主播个人主页的url格式为http://www.huajiao.com/user/userId, 这里的userId唯一标识一个主播用户,比如http://www.huajiao.com/user/50647288
主播个人主页

4) 程序逻辑

通过以上的分析,爬虫可以从直播列表页入手,获取到所有的直播url中的直播id,即上文提到的liveId;
拿到直播id后就可以进入直播页获取用户id,即前面提到的userId,
有了userId后就可以进入主播个人主页,在个人主页上有主播完整的个人信息和直播历史信息。
具体步骤如下:

  • a):抓取直播列表页的html, 我选取的是”热门推荐”页面http://www.huajiao.com/category/1000
  • b):从获取到的“热门推荐”页面的html中过滤出所有的直播地址,http://www.huajiao.com/l/liveId
  • c):通过直播id抓取直播页面的html, 并过滤出主播的userId
  • d):通过userId抓取主播的个人主页,过滤出关注数,粉丝数,赞数,经验值;过滤出直播历史数据。
  • e):将用户数据和直播历史数据写入mysql保存

以上是根据观察网站页面,直观上得出的一个爬虫逻辑,但实际在开发过程中,还要考虑更多,比如:

  • a)爬虫要定时执行,对于已经采集到的数据,采取何种更新策略
  • b)直播历史数据需要请求相应的ajax接口,对收到的数据进行json解码分析
  • c)主播昵称包含emoji表情,如果数据库使用常用的编码”utf8″则会写入报错
  • d)过滤直播地址来获取直播id时,需要使用到正则匹配,我使用的是Python库”re”
  • e)分析html,我使用的是”BeautifulSoup”
  • f)读写mysql,我使用的是”pymysql”

如上逻辑步骤分析清楚后,就是编码了,利用Python来实现以上的逻辑步骤。

3. Python编码

1) 数据表设计

数据表设计
其中Tbl_Huajiao_User用于存储主播的个人数据,Tbl_Huajiao_Live用于存储主播的历史直播数据,其中字段FScrapedTime是每次记录更新的时间,依靠此字段可以实现简单的更新策略。

2) 从直播列表页过滤出直播Id列表

 # filter out live ids from a url
 def filterLiveIds(url):
     html = urlopen(url)
     liveIds = set()
     bsObj = BeautifulSoup(html, "html.parser")
     for link in bsObj.findAll("a", href=re.compile("^(/l/)")):
         if 'href' in link.attrs:
             newPage = link.attrs['href']
             liveId = re.findall("[0-9]+", newPage)
             liveIds.add(liveId[0])
     return liveIds

关于python中如何定义函数,直接看以上代码就可以了,使用”def”和冒号,没有大括号。其中urlopen(url)是python的库函数,需要做import, 如下:

from urllib.request import urlopen

其中BeautifulSoup是一个第三方Python库,通过它就可以方便的解析html代码了,通过它的findAll()方法找出所有的a标签,并且这个方法支持正则,所以在它的参数里我传入了一个正则re.compile(“^(/l/)”)来表示寻找一”/l/”开头的所有链接地址,bsObj.findAll(“a”, href=re.compile(“^(/l/)”))的结果是一个列表,故使用for循环来遍历列表内的元素,在遍历过程中通过使用正则re.findall(“[0-9]+”, newPage)匹配出liveId, 并临时保存在liveIds中,并将liveIds返回给调用者。

3) 从直播页过滤出主播id

 # get user id from live page
 def getUserId(liveId):
     html = urlopen("http://www.huajiao.com/" + "l/" + str(liveId))
     bsObj = BeautifulSoup(html, "html.parser")
     text = bsObj.title.get_text()
     res = re.findall("[0-9]+", text)
     return res[0]

这里还是使用BeautifulSoup分析直播页的html结构,使用bsObj.title.get_text()获取到主播Id的文本信息后,通过正则获取到最终的userId

4) 通过userId进入主播个人主页获取个人信息

#get user data from user page
def getUserData(userId):
     html = urlopen("http://www.huajiao.com/user/" + str(userId))
     bsObj = BeautifulSoup(html, "html.parser")
     data = dict()
     try:
         userInfoObj = bsObj.find("div", {"id":"userInfo"})
         data['FAvatar'] = userInfoObj.find("div", {"class": "avatar"}).img.attrs['src']
         userId = userInfoObj.find("p", {"class":"user_id"}).get_text()
         data['FUserId'] = re.findall("[0-9]+", userId)[0]
         tmp = userInfoObj.h3.get_text('|', strip=True).split('|')
         #print(tmp[0].encode("utf-8"))
         data['FUserName'] = tmp[0]
         data['FLevel'] = tmp[1]
         tmp = userInfoObj.find("ul", {"class":"clearfix"}).get_text('|', strip=True).split('|')
         data['FFollow'] = tmp[0]
         data['FFollowed'] = tmp[2]
         data['FSupported'] = tmp[4]
         data['FExperience'] = tmp[6]
         return data
     except AttributeError:
         #traceback.print_exc()
         print(str(userId) + ":html parse error in getUserData()")
         return 0

以上使用了python的try-except的异常处理机制,因为在使用BeautifulSoup分析html数据时,有时候会因为没有某个对象而报错,对于这种报错需要处理,否则整个程序就会停止执行,这里我们打印出了日志,在日志中记录了相应的userId。当然这里还是主要用到了BeautifulSoup便捷的功能,比如其中的get_text()方法,能够将多个标签的文本抽取出来并且能够制定文本的分隔符,和对空格等字符进行过滤。

5) 将获取的个人信息写入mysql

 # update user data
 def replaceUserData(data):
     conn = getMysqlConn()
     cur = conn.cursor()
     try:
         cur.execute("USE wanghong")
         cur.execute("set names utf8mb4")
         cur.execute("REPLACE INTO Tbl_Huajiao_User(FUserId,FUserName, FLevel, FFollow,FFollowed,FSupported,FExperience,FAvatar,FScrapedTime) VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s)",                    (int(data['FUserId']), data['FUserName'],int(data['FLevel']),int(data['FFollow']),int(data['FFollowed']), int(data['FSupported']), int(data['FExperience']), data['FAvatar'],getNowTime())
         )
         conn.commit()
     except pymysql.err.InternalError as e:
         print(e)

这里使用了Python第三方库pymysql进行mysql的读写操作,而指定编码utf8mb4,也就是为了避免文章开始提到的一个问题,关于emoji表情符,如果数据库使用常用的编码”CHARSET=utf8 COLLATE=utf8_general_ci”则会写入报错,注意上面sql语句里也声明了utf8mb4字符集和编码。
这里没有使用mysql的“INSERT”,而是使用了“REPLACE”,是当包含同样的FUserId的一条记录被写入时将替换原来的记录,这样能够保证爬虫定时更新到最新的数据。

6) 获取某主播的直播历史数据

#get user history lives
def getUserLives(userId):
     try:
         url = "http://webh.huajiao.com/User/getUserFeeds?fmt=json&uid=" + str(userId)
         html = urlopen(url).read().decode('utf-8')
         jsonData = json.loads(html)
         if jsonData['errno'] != 0:
             print(str(userId) + "error occured in getUserFeeds for: " + jsonData['msg'])
             return 0

         return jsonData['data']['feeds']
 except Exception as e:
     print(e)
     return 0

前面说到,获取直播历史数据是通过直接请求ajax接口地址的,代码中的url即为接口地址,这是通过浏览器的调试工具获得的。这里用到了json的解码。

7) 将主播的直播历史数据写入Mysql

这里和以上第5项类似,就不详述了,读者可以在文章末尾的github地址获取完整的代码

8) 定义骨架函数

#spider user ids
def spiderUserDatas():
     for liveId in getLiveIdsFromRecommendPage():
         userId = getUserId(liveId)
         userData = getUserData(userId)
         if userData:
             replaceUserData(userData)
     return 1

#spider user lives
def spiderUserLives():
     userIds = selectUserIds(100)
     for userId in userIds:
         liveDatas = getUserLives(userId[0])
         for liveData in liveDatas:
             liveData['feed']['FUserId'] = userId[0]
             replaceUserLive(liveData['feed'])

     return 1

所谓的骨架函数,就是控制单个小的功能函数,实现循环逻辑,一页一页的去采集数据。
spiderUserDatas()的逻辑:拿到liveId列表后,循环遍历的去取每一个liveId对应的userId,进而渠道userData并写入mysql;
spiderUserLives()的逻辑:从mysql中选出上次爬虫时间最晚的100个userId, 循环遍历地去取每一个user的直播历史数据并写入mysql;

9) 定义入口函数和命令行参数

def main(argv):
      if len(argv) < 2:
         print("Usage: python3 huajiao.py [spiderUserDatas|spiderUserLives]")
         exit()
     if (argv[1] == 'spiderUserDatas'):
         spiderUserDatas()
     elif (argv[1] == 'spiderUserLives'):
         spiderUserLives()
     elif (argv[1] == 'getUserCount'):
         print(getUserCount())
     elif (argv[1] == 'getLiveCount'):
         print(getLiveCount())
     else:
         print("Usage: python3 huajiao.py [spiderUserDatas|spiderUserLives|getUserCount|getLiveCount]")
if  __name__ == '__main__':
     main(sys.argv)

首先,要命名python在命令行模式下如何接收参数,通过sys.argv;
再有__name__的含义,如果文件被执行,则__name__的值为”__main__”;
这样通过以上代码就可以实现命令行调用和参数处理了。
比如要爬取主播的个人信息,则执行:

python3 huajiao.py spiderUserDatas

比如查看爬取了多少条用户数据信息,则执行:

python3 huajiao.py getUserCount

10) 加入crontab

*/1 * * * * python3 /root/PythonPractice/spiderWanghong/huajiao.py spiderUserDatas >> /tmp/huajiao.py_spiderUserDatas.log
*/1 * * * * python3 /root/PythonPractice/spiderWanghong/huajiao.py spiderUserLives >> /tmp/huajiao.py_spiderUserLives.log

4. 目标需求达成

主播数据
主播数据

直播历史数据
直播历史数据

5. 待改进项和后续计划

对mysql的读写部分进行优化,现在写的比较臃肿

对其他直播网站进行分析并收集数据

将各个直播网站的数据进行聚合

6. 代码地址

https://github.com/octans/PythonPractice/tree/master/spiderWanghong

欢迎关注代码细语公众号

2 Comments

  • libin (#)
    十二月 9th, 2016

    前辈你好!看到您写的这篇文章给了我很大的启发!

    最近我有在写爬虫,因为是刚刚接触,所以有些东西不是特别懂,想请教一下您!

    我的需求是从国务院网站上爬取历年的政府工作报告全文(量不是特别大==),这个网站上有1954-2016年的合集(http://www.gov.cn/test/2006-02/16/content_200719.htm)。

    一、我的想法是先从上边的网站上过滤出所有年份报告的网址,然后读取出所有的title、正文部分,这些部分参考您的代码,我基本上已经实现了。

    二、现在我遇到的困难时,这些文本数据我该存储在什么地方,是放在字典里边,还是像您的文章所说放到MySQL里边,还是导出为一个TXT文档?

    三、后续我还要做这些报告的分词工作,不知道第二部分的操作哪种会更好~~

    希望前辈有时间能够帮我解答一下!

    谢谢~~

    祝好

    • Octans (#)
      十二月 11th, 2016

      不好意思,刚看到你的评论,我对写代码做分词没有太多的经验。以下是我的思路哈:
      我觉得对62篇文章做分词,数据量很小,mysql可用可不用,但读写mysql需要多写一些代码。
      1. 文章如何存储
      如果是我,我就不费力气放到Mysql了,直接写到文件里,比如一篇报告一个文件,文件名称要有一定的规则,保证能快速定位到该文件
      2. 分词如何做
      如果是用python直接做分词的话,如何更方便的将文章读到Python的数据结构中,从这一点考虑,用mysql和文件的方式都可以;
      3. 分词结果和文章的匹配关系如何存储
      我觉得这一部分可以存储到mysql, 并且将对应文章的路径存储到mysql: 分词结果,文章标题,文章路径。

      不过如果是用sphinx做分词和全文搜索的话,就直接存到mysql, 利用sphinx去完成分词和搜索;

Comment!

发表评论

电子邮件地址不会被公开。