实时数据抓取python（使用Python抓取动态网站数据）

实时数据抓取python（使用Python抓取动态网站数据）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 =

这里将会以一个例子展开探讨多线程在爬虫中的应用，所以不会过多地解释理论性的东西，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

然后这里会惊奇地发现，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=4803361670017098198:26139170&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()

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/False2. 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。