Python初学者之网络爬虫(2)

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

本篇是文章Python初学者之网络爬虫的后续,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:

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;

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

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;

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:

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

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

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:

2 7 收藏 评论

关于作者:octans

程序员, 微信公众号: beatzeus 个人主页 · 我的文章 · 15 ·     

相关文章

可能感兴趣的话题



直接登录
跳到底部
返回顶部