目錄代碼分享一、安裝并創(chuàng)建Scrapy項(xiàng)目二、爬取應(yīng)用市場(chǎng)評(píng)論過(guò)程1. Scrapy爬蟲運(yùn)行流程2. 頁(yè)面分析頁(yè)面分析過(guò)程一頁(yè)面分析過(guò)程二頁(yè)面分析過(guò)程三3. 爬蟲實(shí)現(xiàn)解析json并構(gòu)造請(qǐng)求將數(shù)據(jù)保存在items中構(gòu)造新的請(qǐng)求item數(shù)據(jù)的處理代碼分享

整個(gè)項(xiàng)目我放在了github上，在python3.7下可以正常使用，如果有什么問題歡迎大家指正。

github項(xiàng)目地址：https://github.com/LSY-C/scrapy_hauweiappstore_comment

分別爬取的一些應(yīng)用信息以及應(yīng)用的評(píng)論信息，數(shù)據(jù)結(jié)構(gòu)如下：

一、安裝并創(chuàng)建Scrapy項(xiàng)目

Scrapy官方文檔：https://docs.scrapy.org/en/latest/intro/install.html

Scrapy是一個(gè)比較好用的python爬蟲框架，官方文檔寫得也比較詳細(xì)。可以直接運(yùn)行以下命令安裝：

pip install Scrapy

安裝完畢后，需要?jiǎng)?chuàng)建Scrapy項(xiàng)目，相當(dāng)于是一個(gè)爬蟲項(xiàng)目框架，在想要放置項(xiàng)目的地方打開命令行并輸入以下命令會(huì)自動(dòng)創(chuàng)建一個(gè)名為[project_name]的文件夾，比如我這里的[project_name]是appstore，文件夾中會(huì)自動(dòng)生成的一些文件。

scrapy startproject appstore appstore/scrapy.cfg中包含了用于啟動(dòng)爬蟲的一些基礎(chǔ)配置，一般不用管它。 appstore/appstore/items.py：定義了爬取到的數(shù)據(jù)格式類，在這里面創(chuàng)建類來(lái)存放爬取到的數(shù)據(jù)的item格式。 appstore/appstore/middlewares.py：定義了爬蟲中間鍵的一些行為，我一般也不會(huì)去動(dòng)它。 appstore/appstore/pipelines.py：定義了爬取到item后對(duì)其進(jìn)行的處理。 appstore/appstore/settings.py：是爬蟲配置文件。 appstore/appstore/spiders/：這個(gè)目錄下存放的是爬蟲，也就是向網(wǎng)頁(yè)發(fā)送請(qǐng)求并受到應(yīng)答然后進(jìn)行數(shù)據(jù)處理的過(guò)程。 二、爬取應(yīng)用市場(chǎng)評(píng)論過(guò)程

爬取網(wǎng)頁(yè)信息有兩個(gè)常用的方法：

直接通過(guò)xpath解析html文件 依據(jù)特定格式構(gòu)造請(qǐng)求獲取json數(shù)據(jù)進(jìn)行解析

顯然前者更簡(jiǎn)單方便一些，但是現(xiàn)在許多網(wǎng)頁(yè)都是動(dòng)態(tài)的，所以后者泛用性更強(qiáng)一些，這里我爬取華為應(yīng)用市場(chǎng)上所有應(yīng)用的評(píng)論信息主要使用的是后面一種方法。

1. Scrapy爬蟲運(yùn)行流程

首先需要大致了解Scrapy的爬蟲是如何運(yùn)作的，分為以下幾個(gè)步驟：

Step1: 在項(xiàng)目的spiders文件夾中新建一個(gè).py文件，比如huawei.py，一般來(lái)說(shuō)每一個(gè)文件代表一個(gè)爬蟲，也就是對(duì)某一個(gè)網(wǎng)頁(yè)的爬取策略。 Step2: 創(chuàng)建一個(gè)類繼承自scrapy.Spider，類中至少需要有name、allowed_domain、start_urls變量以及一個(gè)函數(shù)parse(self)。其中name是此爬蟲的唯一標(biāo)識(shí)，之后啟動(dòng)時(shí)通過(guò)指定name來(lái)判斷啟動(dòng)哪個(gè)爬蟲（因?yàn)閟piders文件夾中可能包含多個(gè)爬蟲文件）；allowed_domain用來(lái)指定當(dāng)前爬蟲可以訪問的主域名；start_urls用來(lái)指定首先獲取的頁(yè)面，而此獲取結(jié)果將會(huì)交由parse函數(shù)進(jìn)行處理。每個(gè)爬蟲中的處理函數(shù)可能有很多個(gè)，命名格式一般是parse_xxx之類的，用來(lái)處理多級(jí)頁(yè)面，比如parse處理完主頁(yè)面之后構(gòu)造新的請(qǐng)求獲取二級(jí)頁(yè)面信息并通過(guò)parse_second進(jìn)行處理，但不管怎么樣都會(huì)包含一個(gè)parse函數(shù)。

import scrapyclass HuaWei(scrapy.Spider): name = 'huawei' allowed_domains = [’appstore.huawei.com’, ’web-drcn.hispace.dbankcloud.cn’] start_urls = [’https://web-drcn.hispace.dbankcloud.cn/uowap/index?method=internal.getTemplate&serviceType=20&zone=&locale=zh’] def parse(self, response): pass step3: 爬蟲編寫好之后，在項(xiàng)目根目錄（也就是scrapy.cfg文件的同級(jí)目錄）打開命令行，并輸入以下命令啟動(dòng)爬蟲：

scrapy crawl hauwei2. 頁(yè)面分析

首先，通過(guò)瀏覽器訪問應(yīng)用市場(chǎng)，分析一下想要爬取網(wǎng)頁(yè)的基本信息，這里我想要爬取應(yīng)用市場(chǎng)中所有應(yīng)用的評(píng)論，所以首先需要進(jìn)入到所有應(yīng)用的詳細(xì)界面，然后在詳細(xì)界面中展開評(píng)論進(jìn)行爬取，基本的思路是：對(duì)每一個(gè)分類?>對(duì)每一個(gè)子分類?>展開每一個(gè)應(yīng)用?>獲取應(yīng)用全部評(píng)論。

爬取的初始頁(yè)面是https://appgallery.huawei.com/#/Apps，瀏覽器中使用F12啟動(dòng)開發(fā)者模式，調(diào)試網(wǎng)頁(yè)前端代碼，我們希望的是能夠找到頁(yè)面排版的某些規(guī)律。

頁(yè)面分析過(guò)程一

我們發(fā)現(xiàn)不管在應(yīng)用分類的選項(xiàng)卡中選擇哪一個(gè)分類或是子分類，url都不會(huì)變。也就是說(shuō)，選擇分類后顯示對(duì)應(yīng)的應(yīng)用列表這一功能是動(dòng)態(tài)實(shí)現(xiàn)的，我們沒辦法通過(guò)抓取html中的信息來(lái)獲取不同分類的應(yīng)用列表，那么我們只能通過(guò)自己構(gòu)造請(qǐng)求獲取json數(shù)據(jù)的方式爬取信息。首先，打開調(diào)試窗口中的Network選項(xiàng)卡來(lái)分析獲取不同分類應(yīng)用列表時(shí)的網(wǎng)絡(luò)數(shù)據(jù)包：

除了第一個(gè)數(shù)據(jù)包以外，后面的都是獲取應(yīng)用圖標(biāo)數(shù)據(jù)，也就是說(shuō)第一個(gè)數(shù)據(jù)包里面就包含了應(yīng)用的其他數(shù)據(jù)，查看此數(shù)據(jù)包中的request_url為：

https://web-drcn.hispace.dbankcloud.cn/uowap/index?method=internal.getTabDetail&serviceType=20&reqPageNum=1&uri=8e62cf6d238c4abdb892b400ff072f43&maxResults=25&zone=&locale=zh

我們直接在瀏覽器中訪問此url，可以得到一個(gè)json文件，分析后發(fā)現(xiàn)此json文件中包含了列表中應(yīng)用的信息。點(diǎn)擊不同的分類、子分類，獲取不同的request_url，我們發(fā)現(xiàn)，每一個(gè)子分類的request_url都只有uri字段不一樣，且默認(rèn)情況都只顯示第1頁(yè)的25個(gè)應(yīng)用。也就是說(shuō)我們以此request_url為模板，修改uri字段實(shí)現(xiàn)獲取不同類別應(yīng)用列表，修改reqPageNum字段獲取列表中的多頁(yè)應(yīng)用。

頁(yè)面分析過(guò)程二

手動(dòng)點(diǎn)進(jìn)每一個(gè)應(yīng)用的詳細(xì)界面時(shí)，我們發(fā)現(xiàn)，不同應(yīng)用的詳細(xì)界面的url只有最后的定位有不同，比如騰訊視頻與優(yōu)酷視頻這兩個(gè)應(yīng)用詳細(xì)界面的url分別是：

多觀察幾個(gè)應(yīng)用就會(huì)發(fā)現(xiàn)最后的那一串代碼應(yīng)該是類似于應(yīng)用唯一標(biāo)識(shí)符一樣的東西。而在上一步中，我們可以發(fā)現(xiàn)在獲取的每個(gè)應(yīng)用信息中包含能夠找到這些標(biāo)識(shí)符（‘a(chǎn)ppid’鍵的值），于是我在這里嘗試直接以這種格式構(gòu)造url請(qǐng)求獲取頁(yè)面，但是失敗了，猜測(cè)可能是頁(yè)面重定向的問題，沒辦法，只能按部就班地通過(guò)其它方式繼續(xù)分析。通過(guò)F12查看頁(yè)面排版，每一個(gè)app卡片中雖然有app名稱以及一些其他信息，但是找不到app詳細(xì)頁(yè)面的鏈接，因?yàn)楂@取應(yīng)用詳細(xì)信息功能被寫成了使用js動(dòng)態(tài)獲取的，因此我們沒辦法直接從html界面中獲取，所以依舊采用構(gòu)造request_url的方法獲取json數(shù)據(jù)。

與分析過(guò)程一類似，我們可以獲取以下的request_url：

https://web-drcn.hispace.dbankcloud.cn/uowap/index?method=internal.getTabDetail&serviceType=20&reqPageNum=1&maxResults=25&uri=app%7CC174391&shareTo=&currentUrl=https%253A%252F%252Fappgallery.huawei.com%252F%2523%252Fapp%252FC174391&accessId=&appid=C174391&zone=&locale=zh

通過(guò)此request_url獲取的json中包含了應(yīng)用的詳細(xì)信息，實(shí)際上通過(guò)測(cè)試，其中的reqPageNum、maxResults、shareTo、currentUrl、accessId、appid、zone、locale字段都是不需要的，而又發(fā)現(xiàn)uri字段中后面的“C174391”是當(dāng)前應(yīng)用的appid，也就是說(shuō)我們只需要修改uri字段的“app%7C”后面的字符串為不同應(yīng)用的appid（可以在分析過(guò)程一中的json文件里獲取），就可以獲取不同應(yīng)用的詳細(xì)信息。

頁(yè)面分析過(guò)程三

有了上面兩次分析的經(jīng)驗(yàn)，我們繼續(xù)來(lái)爬取每個(gè)應(yīng)用的評(píng)論數(shù)據(jù)，發(fā)現(xiàn)這些數(shù)據(jù)也是通過(guò)js動(dòng)態(tài)獲取的，于是繼續(xù)分析request_url，格式如下：

https://web-drcn.hispace.dbankcloud.cn/uowap/index?method=internal.user.commenList3&serviceType=20&reqPageNum=1&maxResults=25&appid=C2002&version=10.0.0&zone=&locale=zh

與之前類似，我們可以通過(guò)修改appid字段爬取不同應(yīng)用的評(píng)論，通過(guò)修改reqPageNum字段爬取多頁(yè)評(píng)論。

3. 爬蟲實(shí)現(xiàn)

整個(gè)爬取過(guò)程就是：構(gòu)造request_url請(qǐng)求獲取json數(shù)據(jù)?>解析json數(shù)據(jù)?>構(gòu)造新的request_url獲取json數(shù)據(jù)?>…下面是爬蟲中的一個(gè)處理函數(shù)，功能是處理每一個(gè)應(yīng)用的詳細(xì)信息并構(gòu)造獲取評(píng)論的request_url發(fā)送新的請(qǐng)求，接下來(lái)依次說(shuō)明其中的關(guān)鍵部分。

def app_parse(self, response): ''' 解析應(yīng)用，獲取應(yīng)用名稱、描述、資費(fèi)、版本、開發(fā)者，然后轉(zhuǎn)至appcomment_parse進(jìn)行處理 :param resonse: :return: ''' appid = response.meta[’appid’] app_json = json.loads(response.text) Name = app_json.get(’layoutData’)[0].get(’dataList’)[0].get(’name’) Star = app_json.get(’layoutData’)[0].get(’dataList’)[0].get(’intro’) Downloads = app_json.get(’layoutData’)[0].get(’dataList’)[0].get(’stars’) Price = app_json.get(’layoutData’)[3].get(’dataList’)[0].get(’tariffDesc’) Version = app_json.get(’layoutData’)[3].get(’dataList’)[0].get(’version’) Developer = app_json.get(’layoutData’)[3].get(’dataList’)[0].get(’developer’) Description = app_json.get(’layoutData’)[7].get(’dataList’)[0].get(’appIntro’).replace(’n’, ’’) AppData = AppItem(AppId=appid,AppName=Name,AppDesc=Description,AppPrice=Price,AppVersion=Version,AppDeveloper=Developer,AppStar=Star,AppDownloads=Downloads ) yield AppData for pagenum in range(1, 20):request_url = 'https://web-drcn.hispace.dbankcloud.cn/uowap/index?method=internal.user.commenList3&serviceType=20&reqPageNum={}&maxResults=25&appid={}&version=10.0.0&zone=&locale=zh'.format( pagenum, appid)yield scrapy.Request(url=request_url, callback=self.appcomment_parse, meta={’appid’: appid})解析json并構(gòu)造請(qǐng)求

第8行中通過(guò)json.loads將響應(yīng)解析為json格式，并在后續(xù)使用鍵值與index訪問里面的信息。

將數(shù)據(jù)保存在items中

在items.py文件中定義好Item類之后，可以在此新建一個(gè)Item對(duì)象，并在填入相應(yīng)的值，將此item返回交由pipeline.py進(jìn)行處理。

# items.pyclass AppItem(scrapy.Item): AppId = scrapy.Field() AppName = scrapy.Field() AppDesc = scrapy.Field() AppPrice = scrapy.Field() AppVersion = scrapy.Field() AppDeveloper = scrapy.Field() AppStar = scrapy.Field() AppDownloads = scrapy.Field()

yield是python中的一個(gè)關(guān)鍵詞，與return類似，會(huì)讓函數(shù)返回此關(guān)鍵詞修飾的表達(dá)式值，與return不同的是，yield在返回一個(gè)值后會(huì)繼續(xù)執(zhí)行后面的代碼，而return不會(huì)。

構(gòu)造新的請(qǐng)求

在最后一行中針對(duì)所有評(píng)論列表構(gòu)造新的request_url以獲取評(píng)論信息，并通過(guò)scrapy.Request發(fā)送請(qǐng)求，其中callback指定用于處理此請(qǐng)求響應(yīng)的處理函數(shù)，而meta中包含了想要傳遞給callback函數(shù)的信息。

item數(shù)據(jù)的處理

在爬取數(shù)據(jù)的過(guò)程中，處理函數(shù)會(huì)實(shí)時(shí)將不同的item返回并交由pipeline進(jìn)行處理，此時(shí)需要在pipeline.py中指定如何處理這些item，比如在此我把數(shù)據(jù)全都記錄入csv表格中。pipeline類中必須定義process_item函數(shù)來(lái)處理每一個(gè)item，而__init__與close_spider都是可選的。

class AppStorePipeline: def __init__(self):self.app_list = []self.comment_list = [] def process_item(self, item, spider):# 接收到item時(shí)調(diào)用的函數(shù)if isinstance(item, AppItem): self.app_list.append(dict(item))elif isinstance(item, CommentItem): self.comment_list.append(dict(item))return item def close_spider(self, spider):# 當(dāng)爬蟲關(guān)閉時(shí)調(diào)用的函數(shù)df_app = pd.DataFrame(self.app_list)df_comment = pd.DataFrame(self.comment_list)df_app.to_csv(’app_info.csv’)df_comment.to_csv(’comment_info.csv’)

以上就是python 爬取華為應(yīng)用市場(chǎng)評(píng)論的詳細(xì)內(nèi)容，更多關(guān)于python 爬取華為應(yīng)用市場(chǎng)的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！