Python 初学者之网络爬虫（2）

（点击 上方公众号 ，可快速关注）

来源：伯乐在线专栏作者 - octans

欢迎投稿，请点击这里查看详情；

如需转载，发送「转载」二字查看说明

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：

# 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；

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zan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 ( 'zan|\|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

觉得本文对你有帮助？请分享给更多人

关注「Python开发者」

看更多技术干货