Python初学者之网络爬虫

声明：本文内容和涉及到的代码仅限于个人学习，任何人不得作为商业用途。

本文将介绍我最近在学习Python过程中写的一个爬虫程序，将力争做到不需要有任何Python基础的程序员都能读懂。读者也可以先跳到文章末尾看最终收集的数据效果和完整代码。

1. 确立目标需求

本次练习Python爬虫的目标需求为以下两点：

1) 收集huajiao.com上的人气主播信息:每位主播的关注数，粉丝数，赞数，经验值等数据

2) 收集每位人气主播的直播历史数据，包括每次直播的开播时间，观看人数，赞数等数据

2. 确立逻辑步骤

首先通过浏览器查看www.huajiao.com网站上的各个页面，分析它的网站结构。得到如下信息：

1) 每一个导航项列出的都是直播列表，而非主播的个人主页列表

以“热门推荐”为例，如下图，每个直播页面的url格式为http://www.huajiao.com/l/liveId, 这里的liveId唯一标识一个直播，比如http://www.huajiao.com/l/52860333

2) 在直播页上有主播的用户ID和昵称等信息

通过点击用户昵称可以进入主播的个人主页

3) 在主播个人主页上有更加完整的个人信息

更加完整的个人信息包括关注数，粉丝数，赞数，经验值等数据；也有主播的直播历史数据,如下图，每个主播个人主页的url格式为http://www.huajiao.com/user/userId, 这里的userId唯一标识一个主播用户，比如http://www.huajiao.com/user/50647288

4) 程序逻辑

通过以上的分析，爬虫可以从直播列表页入手，获取到所有的直播url中的直播id,即上文提到的liveId;
拿到直播id后就可以进入直播页获取用户id,即前面提到的userId,
有了userId后就可以进入主播个人主页，在个人主页上有主播完整的个人信息和直播历史信息。
具体步骤如下：

• a)：抓取直播列表页的html, 我选取的是”热门推荐”页面http://www.huajiao.com/category/1000
• b)：从获取到的“热门推荐”页面的html中过滤出所有的直播地址，http://www.huajiao.com/l/liveId
• c)：通过直播id抓取直播页面的html, 并过滤出主播的userId
• d)：通过userId抓取主播的个人主页,过滤出关注数，粉丝数，赞数，经验值；过滤出直播历史数据。
• e)：将用户数据和直播历史数据写入mysql保存

以上是根据观察网站页面，直观上得出的一个爬虫逻辑，但实际在开发过程中，还要考虑更多，比如：

• a)爬虫要定时执行，对于已经采集到的数据，采取何种更新策略
• b)直播历史数据需要请求相应的ajax接口，对收到的数据进行json解码分析
• c)主播昵称包含emoji表情，如果数据库使用常用的编码”utf8″则会写入报错
• d)过滤直播地址来获取直播id时，需要使用到正则匹配，我使用的是Python库”re”
• e)分析html，我使用的是”BeautifulSoup”
• f)读写mysql，我使用的是”pymysql”

如上逻辑步骤分析清楚后，就是编码了，利用Python来实现以上的逻辑步骤。

3. Python编码

1) 数据表设计

其中Tbl_Huajiao_User用于存储主播的个人数据，Tbl_Huajiao_Live用于存储主播的历史直播数据，其中字段FScrapedTime是每次记录更新的时间，依靠此字段可以实现简单的更新策略。

2) 从直播列表页过滤出直播Id列表

 # filter out live ids from a url
 def filterLiveIds(url):
     html = urlopen(url)
     liveIds = set()
     bsObj = BeautifulSoup(html, "html.parser")
     for link in bsObj.findAll("a", href=re.compile("^(/l/)")):
         if 'href' in link.attrs:
             newPage = link.attrs['href']
             liveId = re.findall("[0-9]+", newPage)
             liveIds.add(liveId[0])
     return liveIds

关于python中如何定义函数，直接看以上代码就可以了，使用”def”和冒号，没有大括号。其中urlopen(url)是python的库函数，需要做import, 如下：

from urllib.request import urlopen

其中BeautifulSoup是一个第三方Python库，通过它就可以方便的解析html代码了，通过它的findAll()方法找出所有的a标签，并且这个方法支持正则，所以在它的参数里我传入了一个正则re.compile(“^(/l/)”)来表示寻找一”/l/”开头的所有链接地址，bsObj.findAll(“a”, href=re.compile(“^(/l/)”))的结果是一个列表，故使用for循环来遍历列表内的元素，在遍历过程中通过使用正则re.findall(“[0-9]+”, newPage)匹配出liveId, 并临时保存在liveIds中，并将liveIds返回给调用者。

3) 从直播页过滤出主播id

# get user id from live page
 def getUserId(liveId):
     html = urlopen("http://www.huajiao.com/" + "l/" + str(liveId))
     bsObj = BeautifulSoup(html, "html.parser")
     text = bsObj.title.get_text()
     res = re.findall("[0-9]+", text)
     return res[0]

这里还是使用BeautifulSoup分析直播页的html结构，使用bsObj.title.get_text()获取到主播Id的文本信息后，通过正则获取到最终的userId

4) 通过userId进入主播个人主页获取个人信息

#get user data from user page
def getUserData(userId):
     html = urlopen("http://www.huajiao.com/user/" + str(userId))
     bsObj = BeautifulSoup(html, "html.parser")
     data = dict()
     try:
         userInfoObj = bsObj.find("div", {"id":"userInfo"})
         data['FAvatar'] = userInfoObj.find("div", {"class": "avatar"}).img.attrs['src']
         userId = userInfoObj.find("p", {"class":"user_id"}).get_text()
         data['FUserId'] = re.findall("[0-9]+", userId)[0]
         tmp = userInfoObj.h3.get_text('|', strip=True).split('|')
         #print(tmp[0].encode("utf-8"))
         data['FUserName'] = tmp[0]
         data['FLevel'] = tmp[1]
         tmp = userInfoObj.find("ul", {"class":"clearfix"}).get_text('|', strip=True).split('|')
         data['FFollow'] = tmp[0]
         data['FFollowed'] = tmp[2]
         data['FSupported'] = tmp[4]
         data['FExperience'] = tmp[6]
         return data
     except AttributeError:
         #traceback.print_exc()
         print(str(userId) + ":html parse error in getUserData()")
         return 0

以上使用了python的try-except的异常处理机制，因为在使用BeautifulSoup分析html数据时，有时候会因为没有某个对象而报错，对于这种报错需要处理，否则整个程序就会停止执行，这里我们打印出了日志，在日志中记录了相应的userId。当然这里还是主要用到了BeautifulSoup便捷的功能，比如其中的get_text()方法，能够将多个标签的文本抽取出来并且能够制定文本的分隔符，和对空格等字符进行过滤。

5) 将获取的个人信息写入mysql

# update user data
 def replaceUserData(data):
     conn = getMysqlConn()
     cur = conn.cursor()
     try:
         cur.execute("USE wanghong")
         cur.execute("set names utf8mb4")
         cur.execute("REPLACE INTO Tbl_Huajiao_User(FUserId,FUserName, FLevel, FFollow,FFollowed,FSupported,FExperience,FAvatar,FScrapedTime) VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s)",                    (int(data['FUserId']), data['FUserName'],int(data['FLevel']),int(data['FFollow']),int(data['FFollowed']), int(data['FSupported']), int(data['FExperience']), data['FAvatar'],getNowTime())
         )
         conn.commit()
     except pymysql.err.InternalError as e:
         print(e)

这里使用了Python第三方库pymysql进行mysql的读写操作，而指定编码utf8mb4，也就是为了避免文章开始提到的一个问题，关于emoji表情符，如果数据库使用常用的编码”CHARSET=utf8 COLLATE=utf8_general_ci”则会写入报错，注意上面sql语句里也声明了utf8mb4字符集和编码。
这里没有使用mysql的“INSERT”，而是使用了“REPLACE”,是当包含同样的FUserId的一条记录被写入时将替换原来的记录，这样能够保证爬虫定时更新到最新的数据。

6) 获取某主播的直播历史数据

#get user history lives
def getUserLives(userId):
     try:
         url = "http://webh.huajiao.com/User/getUserFeeds?fmt=json&uid=" + str(userId)
         html = urlopen(url).read().decode('utf-8')
         jsonData = json.loads(html)
         if jsonData['errno'] != 0:
             print(str(userId) + "error occured in getUserFeeds for: " + jsonData['msg'])
             return 0

         return jsonData['data']['feeds']
 except Exception as e:
     print(e)
     return 0

前面说到，获取直播历史数据是通过直接请求ajax接口地址的，代码中的url即为接口地址，这是通过浏览器的调试工具获得的。这里用到了json的解码。

7) 将主播的直播历史数据写入Mysql

这里和以上第5项类似，就不详述了，读者可以在文章末尾的github地址获取完整的代码

8) 定义骨架函数

#spider user ids
def spiderUserDatas():
     for liveId in getLiveIdsFromRecommendPage():
         userId = getUserId(liveId)
         userData = getUserData(userId)
         if userData:
             replaceUserData(userData)
     return 1

#spider user lives
def spiderUserLives():
     userIds = selectUserIds(100)
     for userId in userIds:
         liveDatas = getUserLives(userId[0])
         for liveData in liveDatas:
             liveData['feed']['FUserId'] = userId[0]
             replaceUserLive(liveData['feed'])

     return 1

所谓的骨架函数，就是控制单个小的功能函数，实现循环逻辑，一页一页的去采集数据。
spiderUserDatas()的逻辑：拿到liveId列表后，循环遍历的去取每一个liveId对应的userId,进而渠道userData并写入mysql;
spiderUserLives()的逻辑：从mysql中选出上次爬虫时间最晚的100个userId, 循环遍历地去取每一个user的直播历史数据并写入mysql;

9) 定义入口函数和命令行参数

def main(argv):
      if len(argv) < 2:
         print("Usage: python3 huajiao.py [spiderUserDatas|spiderUserLives]")
         exit()
     if (argv[1] == 'spiderUserDatas'):
         spiderUserDatas()
     elif (argv[1] == 'spiderUserLives'):
         spiderUserLives()
     elif (argv[1] == 'getUserCount'):
         print(getUserCount())
     elif (argv[1] == 'getLiveCount'):
         print(getLiveCount())
     else:
         print("Usage: python3 huajiao.py [spiderUserDatas|spiderUserLives|getUserCount|getLiveCount]")
if  __name__ == '__main__':
     main(sys.argv)

首先，要命名python在命令行模式下如何接收参数，通过sys.argv;
再有__name__的含义，如果文件被执行，则__name__的值为”__main__”;
这样通过以上代码就可以实现命令行调用和参数处理了。
比如要爬取主播的个人信息，则执行：

python3 huajiao.py spiderUserDatas

比如查看爬取了多少条用户数据信息，则执行：

python3 huajiao.py getUserCount

10) 加入crontab

*/1 * * * * python3 /root/PythonPractice/spiderWanghong/huajiao.py spiderUserDatas >> /tmp/huajiao.py_spiderUserDatas.log
*/1 * * * * python3 /root/PythonPractice/spiderWanghong/huajiao.py spiderUserLives >> /tmp/huajiao.py_spiderUserLives.log

4. 目标需求达成

主播数据

直播历史数据

5. 待改进项和后续计划

对mysql的读写部分进行优化，现在写的比较臃肿

对其他直播网站进行分析并收集数据

将各个直播网站的数据进行聚合

6. 代码地址

https://github.com/octans/PythonPractice/tree/master/spiderWanghong