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
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
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>
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
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
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/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。