Python初学者之网络爬虫(二)


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。转载请附上此文章地址

本篇文章是11月25日的文章Python初学者之网络爬虫的继续, 最新代码已提交到https://github.com/octans/PythonPractice

1. 上篇回顾

上篇文章Python初学者之网络爬虫中我从花椒的热门推荐页面入手,进而获取到主播个人信息和对应的直播历史视频。
首先看一下上一篇文章中对huajiao.com的主播和视频的爬取成果:

# getUserCount
10179
# getLiveCount
111574

到目前已收集了10179个主播信息,和这些主播的111574个视频信息。这里数据量小的原因是我只收集了花椒热门推荐下面的主播,这个页面每次展示60个系统推荐的主播。

到目前为止我新做了如下事情:

  • 对MySql的读写操作进行了封装
  • 编码风格遵从PEP8
  • 爬取沃米优选网(http://video.51wom.com/)的主播信息
  • 爬取一下网(http://www.yixia.com/)的主播信息和视频信息

其中对MySql的封装代码单独放到了文件mysql.py下,做为一个module使用,这个module虽然简单,但已经实现了select,insert,delete等操作,对MySql封装感兴趣的同学可以参考, 但请不要用于生产环境。推荐去使用和阅读数据库类peewee。
接下来将继续讲述我在数据抓取上的开发经历。

2. 爬取的数据源和逻辑

最终目标:收集到各大直播平台的主播信息和历史播放记录,进而对数据进行聚合分析。
当前已完成:对花椒网的数据收集。
沃米优选网(http://video.51wom.com/)是一个网红数据聚合的网站,它收集了各个直播平台(花椒,熊猫,秒拍,斗鱼,映客,一直播,美拍)的热门主播信息。所以我希望能从它这里获取到各个平台的热门主播信息,之后拿着主播id去对应的直播平台去爬取更详细的信息。

3. 爬取沃米优选网的主播列表页

列表页http://video.51wom.com/截图如下:
qq20161211-2251292x
初看这是一个列表页,并且底部有分页链接,点击分页时触发表单提交

3.1 分析结论和构思程序逻辑

当点击底部分页时,使用chrom开发者工具,看到有XHR请求如下截图:
qq20161211-2318152x

从截图和一些测试可以分析出:

  • a) 要请求第二页以后的数据,需要将相应的cookie和csrf数据提交给网站;
  • b) 提交的方式是POST的”multipart/form-data”;
  • c) 提交的参数有_csrf, stage-name, platform, industry等;
  • d) 请求的返回结果是一个表格列表的html代码;

对于cookie容易拿到,但_csrf如何获取呢?
查看页面源码,发现网站在生成列表页时已经将csrf的值写入了表单;同一个csrf值在后续请求中可以多次使用;

<input type="hidden" name="_csrf" value="aWF6ZGMzclc9EAwRK3Y4LhobNQo6eEAdWwA0IFd1ByUDNTgwClUEZw==">

由以上分析,程序的逻辑应该这样,

  • a) 先请求主播列表的首页,获取到csrf值和cookie
  • b) 将csrf和cookie值保存,用于下次请求
  • c) 请求主播列表的第二页,第三页等
  • d) 将获取到的表格列表的html代码使用BeautifulSoup进行解析,遍历每个行,行里的每个列
  • e) 将获取到的数据写入mysql

3.2 python编码获取沃米优选网的主播信息

a) 构造基础类class Website, 之后为每个网站建立一个class,继承Website

  • 有些请求返回的是html代码,类里设置好html解析器;
  • 有些请求返回的是json串,基类里设置好json的解析器;
  • 请求每个网站时,需要设置不同的header,将header放在基类;
  • 对post的Content-Type:multipart/form-data方式进行函数封装;
  • 对post的Content-Type: application/x-www-form-urlencoded方式分别进行函数封装;
  • 这里面尽量把各种不同的请求方式写成函数,而不使用type参数的形式,便于子类清晰的调用;

注意以下代码为了节省篇幅,不是完整代码,也非PEP8代码规范

class Website:
    ### 使用requests.session()能够自动处理cookies
    session = requests.session()

    ### 设置html解析器
    htmlParser = BeautifulSoup

    ### 设置json解析器
    jsonParser = json

    ### 设置headers
    headers = {
        'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/'
                      '54.0.2840.98 Safari/537.36'
    }
    ### 直接发起get请求
    def get(self, url, params=None):
        if params is None:
            params = {}
        return self.session.get(url, params=params, headers=self.headers)

    ### 发起get请求并返回解析后的html对象
    def get_html(self, url, params=None):
        r = self.get(url, params)
        return self.htmlParser(r.text, 'html.parser')

    ### 发起get请求并返回解析后的json对象
    def get_json(self, url, params=None):
        r = self.get(url, params)
        return self.jsonParser.loads(r.text)

    ### 发起post请求,以Content-Type:multipart/form-data方式
    def post_multi_part(self, url, params):
        kwargs = dict()
        for (k, v) in params.items():
            kwargs.setdefault(k, (None, v))
        r = self.session.post(url, files=kwargs, headers=self.headers)
        return self.htmlParser(r.text, "html.parser")

b) 构造class WoMiYouXuan, 封装对网站沃米优选的请求

  • 方法first_kiss()用于第一次请求网站,获取到csrf值由属性self.csrf保存;
  • first_kiss()另一个作用是获取到cookie,虽然没有显示处理,因为requests.session()帮我们处理了,自动获取自动提交;
  • 注意在一个实例里,只需调用一次first_kiss()即可,之后就可以多次调用其他的页面请求函数了;
  • csrf和cookie是由关联的,网站会校验,都要提交;
  • 方法parse_actor_list_page()是具体分析主播的列表html代码,这是一个细致活;
  • 方法spider_actors是骨架函数,循环访问每个分页数据并将结果写入mysql;
class WoMiYouXuan(Website):
    ### 发起post请求时需要将csrf发给网站
    csrf = ''
    def __init__(self):
        self.first_kiss()

    ### 首次访问该网站获取到csrf值并保存到self.csrf, 供其他post请求直接使用
    def first_kiss(self):
        url = 'http://video.51wom.com/'
        html = self.get_html(url)
        self.csrf = html.find('meta', {'name': 'csrf-token'}).attrs['content']
   
    ### 从主播列表页获取主播信息
    def parse_actor_list_page(self, page=1):
        ### 构造参数->发起post请求
        url = 'http://video.51wom.com/media/' + str(page) + '.html'
        keys = ('_csrf', 'stage-name', 'platform', ' industry', 'price', 'follower_num', 'follower_area',
                'page', 'is_video_platform', 'sort_by_price', 'type_by_price')
        params = dict()
        for key in keys:
            params.setdefault(key, '')
        params['_csrf'] = self.csrf
        params['page'] = str(page)
        html = self.post_multi_part(url, params)
       
        ### 解析主播列表
        trs = html.find('div', {'id': 'table-list'}).table.findAll('tr')
        trs.pop(0)  # 去除标题行
        actor_list = list()
        for tr in trs:
            ### 后面太多了,有兴趣的同学去看源码吧

    ### 骨架函数,循环访问每个分页数据并将结果写入mysql
    def spider_actors(self):
        page = 1
        tbl_actor = WMYXActor()
        while True:
            ret = self.parse_actor_list_page(page)
            for actor in ret['items']:
                actor['price_dict'] = json.dumps(actor['price_dict'])
                tbl_actor.insert(actor, replace=True)
            if ret['items_count'] * ret['page'] < ret['total']:
                page += 1
            else:
                break

方法parse_actor_list_page()具体分析主播列表的html代码,这是一个细致活;感受一下代码截图
qq20161211-2353172x

3.3 知识点总结

a) 表单提交的POST方式
通常只提交一些kv数据时,使用application/x-www-form-urlencoded方式;
通常上传文件时,使用multipart/form-data方式,但此种方式也是可以提交kv类数据的,比如上面的获取主播列表数据时就是使用此方式。
b) Python的网络请求库Requests
这个库太好用了!并且能够对cookie自动处理,比如我在基类Website中的使用方式; 并且使用它构造multipart/form-data方式的post请求也很方便,比如方法Website::post_multi_part()
c) Python中使用正则匹配字符串中的整数,如下代码:

avg_watched = tds[6].get_text(strip=True)  # 平均观看人数
mode = re.compile(r'\d+')
tmp = mode.findall(avg_watched)

d) 使用try, except机制来实现类似php里的isset(),如下代码:

# 判断是否有逗号,比如8,189
try:
   index = string.index(',')
   string = string.replace(',', '')
except ValueError:
   string = string

e) 一定要注意python中的’1’和1是不一样的,需要你自己来做字符串和数字的类型转换

4. 爬取秒拍网的主播和视频信息

在沃米优选网拿到了各个直播平台的主播id, 先实现对一下网(http://www.yixia.com/)的抓取,获取对应的主播和视频信息。
一下网的个人主页地址为http://www.yixia.com/u/uid, 这个uid就是主播id, 如下截图:
qq20161212-0019252x

4.1 分析结论和构思程序逻辑

  • a) 在主播个人主页能够拿到主播的个人信息,如头像,昵称,粉丝数等,还能拿到主播的视频列表;
  • b) 视频列表的加载方式是瀑布流方式,意味着走的是ajax接口;
  • c) 视频列表接口返回的数据是html代码,仍然需要用BeautifulSoup解析;
  • d) 请求视频列表接口时需要提交suid参数,这个参数值需要用uid在主播个人页获取;

4.2 python编码一下网的主播信息和视频列表

  • 构造class YiXia(Website),
  • 方法parse_user_page()拿着uid去获取主播个人信息;
  • 方法get_video_list()按分页获取视频列表数据
class YiXia(Website):
    ### 访问主播页面,也是视频列表页,从该页面获取到suid和主播个人信息
    def parse_user_page(self, uid):
        print(self.__class__.__name__ + ':parse_user_page, uid=' + uid)
        user = dict()
        user['uid'] = uid
        url = 'http://www.yixia.com/u/' + uid
        bs = self.get_html(url)

        div = bs.find('div', {'class': 'box1'})
        user['nickname'] = div.h1.a.get_text(strip=True)  # 昵称

        stat = div.ol.get_text(strip=True)
        stat = re.split('关注\||粉丝', stat)
        user['follow'] = stat[0].strip()  # 关注数
        user['followed'] = stat[1].strip()  # 粉丝数
        ### ------这里省略很多代码----

        return user

    ### AJAX请求视频列表
    def get_video_list(self, suid, page=1):
        url = 'http://www.yixia.com/gu/u'
        payload = {
            'page': page,
            'suid': suid,
            'fen_type': 'channel'
        }
        json_obj = self.get_json(url, params=payload)
        msg = json_obj['msg']
        msg = BeautifulSoup(msg, 'html.parser')

        ### 解析视频标题
        titles = list()
        ps = msg.findAll('p')
        for p in ps:
            titles.append(p.get_text(strip=True))  # 视频标题

        ### 解析视频赞和评论数
        stats = list()
        divs = msg.findAll('div', {'class': 'list clearfix'})
        for div in divs:
            tmp = div.ol.get_text(strip=True)
            tmp = re.split('赞|\|评论', tmp)
            stats.append(tmp)

        ### 解析视频其他数据
        videos = list()
        divs = msg.findAll('div', {'class': 'D_video'})
        for (k, div) in enumerate(divs):
            video = dict()
            video['scid'] = div.attrs['data-scid']

        ### ------这里省略很多代码------

        return videos

    ### 骨架函数,获取每个视频的每个分页数据
    def spider_videos(self, suid, video_count):
        page = 1
        current = 0
        tbl_video = YiXiaVideo()
        while current < int(video_count):
            print('spider_videos: suid=' + suid + ', page=' + str(page))
            videos = self.get_video_list(suid, page)
            for video in videos:
                tbl_video.insert(video, replace=True)
            current += len(videos)
            page += 1
        return True

4.3 知识点总结

大部分还是3.3里的知识点,这里重点注意字符串和整形,浮点型数字的转换。比如粉丝数’2.3万’是一个字符串,需要转成浮点数2.3或者整数23000;再比如’8,189’需要转成8189.

5. 程序结果

以下截图为采集到的一下网视频数据:
qq20161212-0102152x

6. 知识点参考

这里列出我记录下来的参考链接: