使用Python抓取动态网站数据
- 2019 年 10 月 7 日
- 筆記
青山哥哥伸头看，看我尘中吃苦茶 园信
这里将会以一个例子展开探讨多线程在爬虫中的应用，所以不会过多的解释理论性的东西，并发详情点击连接
爬取某应用商店
当然，爬取之前请自行诊断是否遵循君子协议，
遵守就爬不了数据查看robots协议只需要在域名后缀上rebots.txt即可 例如：
1. 目标
- URL:
http://app.mi.com/category/15 - 获取“游戏”分类的所有APP名称、简介、下载链接
2. 分析
2.1 网页属性
首先，需要判断是不是动态加载
点击翻页，发现URL后边加上了#page=1，这也就是说，查询参数为1的时候为第二页，写一个小爬虫测试一下
import requests url = "http://app.mi.com/category/15"headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36"} html = requests.get(url=url, headers=headers).content.decode("utf-8") print(html)
在输出的html中搜索“王者荣耀”，发现并没有什么问题，那么第二页呢？将上述代码中的url = "http://app.mi.com/category/15"改为url = "http://app.mi.com/category/15#page=1"
再次搜索第二页的内容”炉石传说”，发现并没有搜索出来，那么该网站可能是动态加载
- 抓包分析 打开chrome自带的窃听器，切换到network，点击翻页
可以看到该GET请求后缀很多参数
经过多次测试发现
page为页数，但是值需要减1才是真实的页数categoryId为应用分类pageSize尚不明确，所以将抓到包的URL打开看一下
不难发现，pageSize为每一页显示APP信息的个数，并且返回了一个json字串
2.2 分析json
复制一段json过来
{"count":2000, "data": [ {"appId":108048, "displayName":"王者荣耀", "icon":"http://file.market.xiaomi.com/thumbnail/PNG/l62/AppStore/0eb7aa415046f4cb838cfe5b5d402a5efc34fbb25", "level1CategoryName":"网游RPG", "packageName":"com.tencent.tmgp.sgame" }, {}, ... ] }
所有的信息都不知道是干啥的，暂时保存
2.3 二级页面
点击”王者荣耀”，跳转到APP详情，看下URL是什么样子
http://app.mi.com/details?id=com.tencent.tmgp.sgame
然后这里会惊奇的发现，id的查询参数和上边的packageName的值一样，所以详情页就需要拼接URL
2.4 获取信息
- APP名称 <div class="intro-titles"><p>深圳市腾讯计算机系统有限公司</p><h3>王者荣耀</h3>……</div>
- APP简介 <p class="pslide">《王者荣耀》是腾讯第一5V5团队公平竞技手游，国民MOBA手游大作！5V5王者峡谷、公平对战，还原MOBA经典体验；契约之战、五军对决、边境突围等，带来花式作战乐趣！10秒实时跨区匹配，与好友开黑上分，向最强王者进击！多款英雄任凭选择，一血、五杀、超神，实力碾压，收割全场！敌军即将到达战场，王者召唤师快来集结好友，准备团战，就在《王者荣耀》！</p><h3 class="special-h3">新版特性</h3><p class="pslide">1.新英雄-马超：五虎将的最后一位英雄，通过“投掷-拾取”，强化攻击在复杂的战场中穿梭。<br />2.新玩法-王者模拟战（即将上线）：在机关沙盘中，招募英雄，排兵布阵，与其他七位玩家比拼策略！<br />3.新系统-万象天工：整合以往所有的娱乐模式玩法，冒险之旅玩法。未来，用户使用编辑器“天工”创作的优质原创玩法，将有可能会加入到万象天工；<br />4.新功能-职业选手专属认证：百余位KPL职业选手游戏内官方认证；<br />5.新功能-不想同队：王者50星以下的排位赛，在结算界面可设置不想同队的玩家；<br />6.新功能-系统AI托管：玩家在遭遇挂机后可选择AI托管，但AI不会CARRY比赛；<br />7.新皮肤：沈梦溪-鲨炮海盗猫。</p>
- APP下载地址 <div class="app-info-down"><a href="/download/108048?id=com.tencent.tmgp.sgame&ref=appstore.mobile_download&nonce=4803361670017098198%3A26139170&appClientId=2882303761517485445&appSignature=66MyRvEdLh4RcytLpGkjciBDW_XgoMYMe9g39Hf4f2g" class="download">直接下载</a> </div>
2.4 确认技术
由以上分析可以得出，使用lxml提取数据将会是不错的选择，有关xpath使用请点击跳转
xpath语法如下：
- 名称：
//div[@class="intro-titles"]/h3/text() - 简介：
//p[@class="pslide"][1]/text() - 下载链接：
//a[@class="download"]/@href
3. 代码实现
import requestsfrom lxml import etreeclass MiSpider(object): def __init__(self): self.bsase_url = "http://app.mi.com/categotyAllListApi?page={}&categoryId=15&pageSize=30" # 一级页面的URL地址 self.headers = {"User-Agent":"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} # 获取响应对象 def get_page(self, url): reponse = requests.get(url=url, headers=self.headers) return reponse # 解析一级页面，即json解析，得到APP详情页的链接 def parse_page(self, url): html = self.get_page(url).json() # two_url_list:[{"appId":"108048","dispayName":"..",...},{},{},...] two_url_list = html["data"] for two_url in two_url_list: two_url = "http://app.mi.com/details?id={}".format(two_url["packageName"]) # 拼接app详情链接 self.parse_info(two_url) # 解析二级页面，得到名称、简介、下载链接 def parse_info(self, two_url): html = self.get_page(two_url).content.decode("utf-8") parse_html = etree.HTML(html) # 获取目标信息 app_name = parse_html.xpath('//div[@class="intro-titles"]/h3/text()')[0].strip() app_info = parse_html.xpath('//p[@class="pslide"][1]/text()')[0].strip() app_url = "http://app.mi.com" + parse_html.xpath('//a[@class="download"]/@href')[0].strip() print(app_name, app_url, app_info) # 主函数 def main(self): for page in range(67): url = self.bsase_url.format(page) self.parse_page(url)if __name__ == "__main__": spider = MiSpider() spider.main()
接下来将数据存储起来，存储的方式有很多csv、MySQL、MongoDB
数据存储
这里采用MySQL数据库将其存入
建表SQL
/* Navicat MySQL Data Transfer Source Server : xxx Source Server Type : MySQL Source Server Version : 50727 Source Host : MySQL_ip:3306 Source Schema : MIAPP Target Server Type : MySQL Target Server Version : 50727 File Encoding : 65001 Date: 13/09/2019 14:33:38 */ CREATE DATABASE MiApp CHARSET=UTF8; SET NAMES utf8mb4; SET FOREIGN_KEY_CHECKS = 0; -- ---------------------------- -- Table structure for app -- ---------------------------- DROP TABLE IF EXISTS `app`; CREATE TABLE `app` ( `name` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL COMMENT 'APP名称', `url` text CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL COMMENT 'APP下载链接', `info` longtext CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL COMMENT 'APP简介' ) ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic; SET FOREIGN_KEY_CHECKS = 1;
1. pymysql
简单介绍一下pymysql 的使用，该模块为第三方，需要用pip安装，安装方法不再赘述。
1.1 内置方法
pymysql方法
connect()连接数据库，参数为连接信息（host, port, user, password, charset）
pymysql对象方法
cursor()游标，用来定位数据库cursor.execute(sql)执行sql语句db.commit()提交事务cursor.close()关闭游标db.close()关闭连接
1.2 注意事项
只要涉及数据的修改操作，必须提交事务到数据库
查询数据库需要使用fet方法获取查询结果
1.3 详情
更多详情可以参考pymsql
2. 存储
创建配置文件（config.py）
''' 数据库连接信息 '''HOST = "xxx.xxx.xxx.xxx"PORT = 3306USER = "xxxxx"PASSWORD = "xxxxxxx"DB = "MIAPP"CHARSET = "utf8mb4"
表结构
mysql> desc MIAPP.app; +-------+--------------+------+-----+---------+-------+ | Field | Type | Null | Key | Default | Extra | +-------+--------------+------+-----+---------+-------+ | name | varchar(20) | YES | | NULL | | | url | varchar(255) | YES | | NULL | | | info | text | YES | | NULL | | +-------+--------------+------+-----+---------+-------+3 rows in set (0.00 sec)
SQL语句
insert into app values(name,url,info);
完整代码
import requestsfrom lxml import etreeimport pymysqlfrom config import *class MiSpider(object): def __init__(self): self.bsase_url = "http://app.mi.com/categotyAllListApi?page={}&categoryId=15&pageSize=30" # 一级页面的URL地址 self.headers = {"User-Agent":"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} self.db = pymysql.connect(host=HOST, port=PORT, user=USER, password=PASSWORD, database=DB, charset=CHARSET) # 连接数据库 self.cursor = self.db.cursor() # 创建游标 self.i = 0 # 用来计数，无其他作用 # 获取响应对象 def get_page(self, url): reponse = requests.get(url=url, headers=self.headers) return reponse # 解析一级页面，即json解析，得到APP详情页的链接 def parse_page(self, url): html = self.get_page(url).json() # two_url_list:[{"appId":"108048","dispayName":"..",...},{},{},...] two_url_list = html["data"] for two_url in two_url_list: two_url = "http://app.mi.com/details?id={}".format(two_url["packageName"]) # 拼接app详情链接 self.parse_info(two_url) # 解析二级页面，得到名称、简介、下载链接 def parse_info(self, two_url): html = self.get_page(two_url).content.decode("utf-8") parse_html = etree.HTML(html) # 获取目标信息 app_name = parse_html.xpath('//div[@class="intro-titles"]/h3/text()')[0].strip() app_info = parse_html.xpath('//p[@class="pslide"][1]/text()')[0].strip() app_url = "http://app.mi.com" + parse_html.xpath('//a[@class="download"]/@href')[0].strip() ins = "insert into app(name,url,info) values (%s,%s,%s)" # 需要执行的SQL语句 self.cursor.execute(ins, [app_name, app_url, app_info]) self.db.commit() self.i += 1 print("第{}APP {}成功写入数据库".format(self.i, app_name)) # 主函数 def main(self): for page in range(67): url = self.bsase_url.format(page) self.parse_page(url) # 断开数据库 self.cursor.close() self.db.close() print("执行结束，共{}个APP成功写入".format(self.i))if __name__ == "__main__": spider = MiSpider() spider.main()
多线程
爬取上述信息似乎有点慢，如果数据多的话太耗时，而且计算机资源也得不到充分的利用
这就需要用多线程的理念，关于多进程和多线程的概念网上比比皆是，只需要明白一点
进程可以包含很多个线程，进程死掉，线程不复存在
打个比方，假设有一列火车，把这列火车理解成进程的话，那么每节车厢就是线程，正是这许许多多的线程才共同组成了进程
python中有多线程的概念
假设现在有两个运算：
n += 1n -= 1
在python内部实际上这样运算的
x = n x = n + 1n = x x = n x = n + 1n = x
线程有一个特性，就是会争夺计算机资源，如果一个线程在刚刚计算了x = n这时候另一个线程n = x运行了，那么这样下来全就乱了， 也就是说n加上一千个1再减去一千个1结果不一定为1，这时就考虑线程加锁问题了。
每个线程在运行的时候争抢共享数据，如果线程A正在操作一块数据，这时B线程也要操作该数据，届时就有可能造成数据紊乱，从而影响整个程序的运行。 所以Python有一个机制，在一个线程工作的时候，它会把整个解释器锁掉，导致其他的线程无法访问任何资源，这把锁就叫做GIL全局解释器锁，正是因为有这把锁的存在，名义上的多线程实则变成了单线程，所以很多人称GIL是python鸡肋性的存在。 针对这一缺陷，很多的标准库和第三方模块或者库都是基于这种缺陷开发，进而使得Python在改进多线程这一块变得尤为困难，那么在实际的开发中，遇到这种问题本人目前用四种解决方式：
- 用
multiprocessing代替Thead - 更换
cpython为jpython - 加同步锁
threading.Lock() - 消息队列
queue.Queue()
如果需要全面性的了解并发，请点击并发编程，在这里只简单介绍使用
1. 队列方法
# 导入模块from queue import Queue# 使用q = Queue() q.put(url) q.get() # 当队列为空时，阻塞q.empty() # 判断队列是否为空，True/False
2. 线程方法
# 导入模块from threading import Thread# 使用流程t = Thread(target=函数名) # 创建线程对象t.start() # 创建并启动线程t.join() # 阻塞等待回收线程# 创建多线程for i in range(5): t = Thread(target=函数名) t.start() t.join()
3. 改写
理解以上内容就可以将原来的代码改写多线程，改写之前加上time来计时
多线程技术选用：
- 爬虫涉及IO操作较多，贸然改进程会造成计算机资源的浪费。
pass - 更换
jpython简直没必要。pass - 加锁可以实现，不过针对IO还是比较慢，因为操作文件的话，必须加锁。
pass - 使用消息队列可有效的提高爬虫速率。
线程池的设计：
- 既然爬取的页面有67页，APP多达2010个，则考虑将URL入列
def url_in(self): for page in range(67): url = self.bsase_url.format(page) self.q.put(page)
下边是完整代码
import requestsfrom lxml import etreeimport timefrom threading import Threadfrom queue import Queueimport jsonimport pymysqlfrom config import *class MiSpider(object): def __init__(self): self.url = "http://app.mi.com/categotyAllListApi?page={}&categoryId=15&pageSize=30" self.headers = {"User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3895.5 Safari/537.36"} # 创建URL队列 self.url_queue = Queue() # 把所有要爬取的页面放进队列 def url_in(self): for page in range(67): url = self.url.format(page) # 加入队列 self.url_queue.put(url) # 线程事件函数 def get_data(self): while True: # 如果结果 为True,则队列为空了 if self.url_queue.empty(): break # get地址,请求一级页面 url = self.url_queue.get() html = requests.get(url=url, headers=self.headers).content.decode("utf-8") html = json.loads(html) # 转换为json格式 # 解析数据 app_list = [] # 定义一个列表,用来保存所有的APP信息 [(name,url,info),(),(),...] for app in html["data"]: # 应用链接 app_link = "http://app.mi.com/details?id=" + app["packageName"] app_list.append(self.parse_two_page(app_link)) return app_list def parse_two_page(self, app_link): html = requests.get(url=app_link, headers=self.headers).content.decode('utf-8') parse_html = etree.HTML(html) app_name = parse_html.xpath('//div[@class="intro-titles"]/h3/text()')[0].strip() app_url = "http://app.mi.com" + parse_html.xpath('//div[@class="app-info-down"]/a/@href')[0].strip() app_info = parse_html.xpath('//p[@class="pslide"][1]/text()')[0].strip() info = (app_name, app_url, app_info) print(app_name) return info # 主函数 def main(self): # url入队列 self.url_in() # 创建多线程 t_list = [] for i in range(67): t = Thread(target=self.get_data) t_list.append(t) t.start() for i in t_list: i.join() db = pymysql.connect(host=HOST, user=USER, password=PASSWORD, database=DB, charset=CHARSET) cursor = db.cursor() ins = 'insert into app values (%s, %s, %s)' app_list = self.get_data() print("正在写入数据库") cursor.executemany(ins, app_list) db.commit() cursor.close() db.close()if __name__ == '__main__': start = time.time() spider = MiSpider() spider.main() end = time.time() print("执行时间:%.2f"% (end - start))
当然这里的设计理念是将URL纳入队列之中，还可以将解析以及保存都写进线程，以提高程序的执行效率。
更多爬虫技术点击访问
欢迎各位一起交流
