欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫入门教程 31-100 36氪(36kr)数据抓取 scrapy

程序员文章站 2023-09-07 20:19:19
1. 36氪(36kr)数据 写在前面 今天抓取一个新闻媒体,36kr的文章内容,也是为后面的数据分析做相应的准备的,预计在12月底,爬虫大概写到50篇案例的时刻,将会迎来一个新的内容,系统的数据分析博文,记得关注哦~ 36kr 让一部分人先看到未来,而你今天要做的事情确实要抓取它的过去。 网址 h ......

1. 36氪(36kr)数据----写在前面

今天抓取一个新闻媒体,36kr的文章内容,也是为后面的数据分析做相应的准备的,预计在12月底,爬虫大概写到50篇案例的时刻,将会迎来一个新的内容,系统的数据分析博文,记得关注哦~

36kr 让一部分人先看到未来,而你今天要做的事情确实要抓取它的过去。

网址

Python爬虫入门教程 31-100 36氪(36kr)数据抓取 scrapy

2. 36氪(36kr)数据----数据分析

36kr的页面是一个瀑布流的效果,当你不断的下拉页面的时候,数据从后台追加过来,基于此,基本可以判断它是ajax异步的数据,只需要打开开发者工具,就能快速的定位到想要的数据,我们尝试一下!

Python爬虫入门教程 31-100 36氪(36kr)数据抓取 scrapy

捕获链接如下

https://36kr.com/api/search-column/mainsite?per_page=20&page=1&_=1543840108547
https://36kr.com/api/search-column/mainsite?per_page=20&page=2&_=1543840108547
https://36kr.com/api/search-column/mainsite?per_page=20&page=3&_=1543840108547
https://36kr.com/api/search-column/mainsite?per_page=20&page=4&_=1543840108547

在多次尝试之后,发现per_page最大可以扩展到300,但是当大于100的数据,返回的数据并不是很理想,所以,我们拟定为100即可,page就是页码,这个不断循环叠加即可。

Python爬虫入门教程 31-100 36氪(36kr)数据抓取 scrapy
上面的参数还有一个更加重要的值,叫做total_count 总共有多少文章数目。有这个参数,我们就能快速的拼接出来,想要的页码了。

3. 36氪(36kr)数据----创建scrapy项目

scrapy startproject kr36 

4. 36氪(36kr)数据----创建爬虫入口页面

scrapy genspider kr36 "www.gaokaopai.com"

5. 36氪(36kr)数据----编写url生成器

页面起始地址start_urls为第一页数据,之后会调用parse函数,在函数内容,我们去获取total_count这个参数
这个地方,需要注意 yield 返回数据为request() 关于他的详细说明,请参照
https://scrapy-chs.readthedocs.io/zh_cn/0.24/topics/request-response.html

所有参数清单,参数名字起得好,基本都能代表所有的意思了。比较重要的是urlcallback

class scrapy.http.request(url[, callback, method='get', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=false, errback])
class kr36spider(scrapy.spider):
    name = 'kr36'
    allowed_domains = ['36kr.com']

    start_urls = ['https://36kr.com/api/search-column/mainsite?per_page=100&page=1&_=']
    def parse(self, response):
        data = json.loads(response.body_as_unicode())
        totle = int(data["data"]["total_count"])
        #totle = 201

        for page in range(2,int(totle/100)+2):
            print("正在爬取{}页".format(page),end="")
            yield request("https://36kr.com/api/search-column/mainsite?per_page=100&page={}&_=".format(str(page)), callback=self.parse_item)

6. 36氪(36kr)数据----解析数据

在解析数据过程中,发现有时候数据有缺失的情况发生,所以需要判断一下 app_views_countmobile_views_countviews_countfavourite_num 是否出现在字典中。

注意下面代码中的kr36item类,这个需要提前创建一下

kr36item

class kr36item(scrapy.item):
    # define the fields for your item here like:
    # name = scrapy.field()
    app_views_count = scrapy.field() # app观看数量
    mobile_views_count = scrapy.field() # 移动端观看数量
    views_count = scrapy.field() # pc观看数量
    column_name = scrapy.field() # 类别
    favourite_num = scrapy.field() # 收藏数量
    title = scrapy.field() # 标题
    published_at = scrapy.field() # 发布时间
    is_free = scrapy.field() # 是否免费
    username = scrapy.field()
    def parse_item(self,response):

        data = json.loads(response.body_as_unicode())
        item = kr36item()
        for one_item in data["data"]["items"]:
            print(one_item)
            item["app_views_count"] = one_item["app_views_count"] if "app_views_count" in one_item else 0# app观看数量
            item["mobile_views_count"] = one_item["mobile_views_count"]  if "mobile_views_count" in one_item else 0 # 移动端观看数量
            item["views_count"] = one_item["views_count"]  if "views_count" in one_item else 0  # pc观看数量
            item["column_name"] = one_item["column_name"]  # 类别
            item["favourite_num"] = one_item["favourite_num"]  if "favourite_num" in one_item else 0  # 收藏数量
            item["title"] = one_item["title"] # 标题
            item["published_at"] = one_item["published_at"]  # 发布时间
            item["is_free"] = one_item["is_free"] if "is_free" in one_item else 0# 是否免费
            item["username"] = json.loads(one_item["user_info"])["name"]
            yield item

最后打开settings.py中的pipelines编写数据持久化代码

item_pipelines = {
   'kr36.pipelines.kr36pipeline': 300,
}
import os
import csv

class kr36pipeline(object):
    def __init__(self):
        store_file = os.path.dirname(__file__)+'/spiders/36kr.csv'
        self.file = open(store_file,"a+",newline="",encoding="utf_8_sig")
        self.writer = csv.writer(self.file)
    def process_item(self, item, spider):
        try:
            self.writer.writerow((
                item["title"],
                item["app_views_count"],
                item["mobile_views_count"],
                item["views_count"],
                item["column_name"],
                item["favourite_num"],
                item["published_at"],
                item["is_free"],
                item["username"]
            ))
            print("数据存储完毕")
        except exception as e:
            print(e.args)

    def close_spider(self,spider):
        self.file.close()

7. 36氪(36kr)数据----获取数据

运行上述代码,没有做过多的处理,也没有调整并发速度,也没有做反爬措施。跑了一下,大概获取到了69936条数据,和预估的差了300多条,问题不大,原因没细查,哈哈哈哈


Python爬虫入门教程 31-100 36氪(36kr)数据抓取 scrapy