Python初学者之网络爬虫(二)

2022-08-09 15:42:35

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

# getLiveCount

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：
Python初学者之网络爬虫(二)
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：
Python初学者之网络爬虫(二)

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
Python初学者之网络爬虫(二)

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：
Python初学者之网络爬虫(二)

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：
Python初学者之网络爬虫(二)

6. 知识点参考

这里列出我记录下来的参考链接：

解析json: JSON encoder and decoder
解析html: BeautifulSoup
构造http请求：Requests
文件操作：Reading and Writing Files
数据库的ORM库: peewee
对字符串的操作：Python 字符串操作
对list的操作：More on Lists|Python 列表(List)操作方法详解
对dict的操作：Dictionaries|Python中dict详解
对True和Flase的使用：Python的Boolean操作
POST提交方式：四种常见的 POST 提交数据方式
Python编码风格：PEP8