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：



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：



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

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：

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：

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