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
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 /
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!
捕获链接如下
/api/search-column/mainsite?per_page=20&page=1&_=1543840108547/api/search-column/mainsite?per_page=20&page=2&_=1543840108547/api/search-column/mainsite?per_page=20&page=3&_=1543840108547/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。
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 ""Python资源分享qun 784758214 ,内有安装包,PDF,学习视频,这里是Python学习者的聚集地,零基础,进阶,都欢迎
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url
和callback
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 = ['']start_urls = ['/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 = 201for page in range(2,int(totle/100)+2):print("正在爬取{}页".format(page),end="")yield Request("/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_count
,mobile_views_count
,views_count
,favourite_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 osimport csvclass 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()Python资源分享qun 784758214 ,内有安装包,PDF,学习视频,这里是Python学习者的聚集地,零基础,进阶,都欢迎
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。