代碼分享

整個項目我放在了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)用的評論信息，數(shù)據(jù)結(jié)構(gòu)如下：

一、安裝并創(chuàng)建Scrapy項目

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

Scrapy是一個比較好用的python爬蟲框架，官方文檔寫得也比較詳細(xì)?？梢灾苯舆\行以下命令安裝：

pip install Scrapy

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

scrapy startproject appstore

• appstore/scrapy.cfg中包含了用于啟動爬蟲的一些基礎(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，我一般也不會去動它。
• appstore/appstore/pipelines.py：定義了爬取到item后對其進(jìn)行的處理。
• appstore/appstore/settings.py：是爬蟲配置文件。
• appstore/appstore/spiders/：這個目錄下存放的是爬蟲，也就是向網(wǎng)頁發(fā)送請求并受到應(yīng)答然后進(jìn)行數(shù)據(jù)處理的過程。
  

二、爬取應(yīng)用市場評論過程

爬取網(wǎng)頁信息有兩個常用的方法：

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

顯然前者更簡單方便一些，但是現(xiàn)在許多網(wǎng)頁都是動態(tài)的，所以后者泛用性更強一些，這里我爬取華為應(yīng)用市場上所有應(yīng)用的評論信息主要使用的是后面一種方法。

1. Scrapy爬蟲運行流程

首先需要大致了解Scrapy的爬蟲是如何運作的，分為以下幾個步驟：

• Step1: 在項目的spiders文件夾中新建一個.py文件，比如huawei.py，一般來說每一個文件代表一個爬蟲，也就是對某一個網(wǎng)頁的爬取策略。
• Step2: 創(chuàng)建一個類繼承自scrapy.Spider，類中至少需要有name、allowed_domain、start_urls變量以及一個函數(shù)parse(self)。其中name是此爬蟲的唯一標(biāo)識，之后啟動時通過指定name來判斷啟動哪個爬蟲（因為spiders文件夾中可能包含多個爬蟲文件）；allowed_domain用來指定當(dāng)前爬蟲可以訪問的主域名；start_urls用來指定首先獲取的頁面，而此獲取結(jié)果將會交由parse函數(shù)進(jìn)行處理。每個爬蟲中的處理函數(shù)可能有很多個，命名格式一般是parse_xxx之類的，用來處理多級頁面，比如parse處理完主頁面之后構(gòu)造新的請求獲取二級頁面信息并通過parse_second進(jìn)行處理，但不管怎么樣都會包含一個parse函數(shù)。

import scrapy
class 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.getTemplateserviceType=20zone=locale=zh']

    def parse(self, response):
    	pass

• step3: 爬蟲編寫好之后，在項目根目錄（也就是scrapy.cfg文件的同級目錄）打開命令行，并輸入以下命令啟動爬蟲：

scrapy crawl hauwei

2. 頁面分析

首先，通過瀏覽器訪問應(yīng)用市場，分析一下想要爬取網(wǎng)頁的基本信息，這里我想要爬取應(yīng)用市場中所有應(yīng)用的評論，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)界面中展開評論進(jìn)行爬取，基本的思路是：對每一個分類–>對每一個子分類–>展開每一個應(yīng)用–>獲取應(yīng)用全部評論。

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

頁面分析過程一

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

除了第一個數(shù)據(jù)包以外，后面的都是獲取應(yīng)用圖標(biāo)數(shù)據(jù)，也就是說第一個數(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頁的25個應(yīng)用。也就是說我們以此request_url為模板，修改uri字段實現(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應(yīng)用。

頁面分析過程二

手動點進(jìn)每一個應(yīng)用的詳細(xì)界面時，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)酷視頻這兩個應(yīng)用詳細(xì)界面的url分別是：

多觀察幾個應(yīng)用就會發(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)在獲取的每個應(yīng)用信息中包含能夠找到這些標(biāo)識符（‘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請求獲取頁面，但是失敗了，猜測可能是頁面重定向的問題，沒辦法，只能按部就班地通過其它方式繼續(xù)分析。
通過F12查看頁面排版，每一個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)頁面的鏈接，因為獲取應(yīng)用詳細(xì)信息功能被寫成了使用js動態(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

通過此request_url獲取的json中包含了應(yīng)用的詳細(xì)信息，實際上通過測試，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（可以在分析過程一中的json文件里獲?。?，就可以獲取不同應(yīng)用的詳細(xì)信息。

頁面分析過程三

有了上面兩次分析的經(jīng)驗，我們繼續(xù)來爬取每個應(yīng)用的評論數(shù)據(jù)，發(fā)現(xiàn)這些數(shù)據(jù)也是通過js動態(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，我們可以通過修改appid字段爬取不同應(yīng)用的評論，通過修改reqPageNum字段爬取多頁評論。

3. 爬蟲實現(xiàn)

整個爬取過程就是：構(gòu)造request_url請求獲取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處理函數(shù)，功能是處理每一個應(yīng)用的詳細(xì)信息并構(gòu)造獲取評論的request_url發(fā)送新的請求，接下來依次說明其中的關(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、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.commenList3serviceType=20reqPageNum={}maxResults=25appid={}version=10.0.0zone=locale=zh".format(
            pagenum, appid)
        yield scrapy.Request(url=request_url, callback=self.appcomment_parse, meta={'appid': appid})

解析json并構(gòu)造請求

第8行中通過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Item對象，并在填入相應(yīng)的值，將此item返回交由pipeline.py進(jìn)行處理。

# items.py
class 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中的一個關(guān)鍵詞，與return類似，會讓函數(shù)返回此關(guān)鍵詞修飾的表達(dá)式值，與return不同的是，yield在返回一個值后會繼續(xù)執(zhí)行后面的代碼，而return不會。

構(gòu)造新的請求

在最后一行中針對所有評論列表構(gòu)造新的request_url以獲取評論信息，并通過scrapy.Request發(fā)送請求，其中callback指定用于處理此請求響應(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)的過程中，處理函數(shù)會實時將不同的item返回并交由pipeline進(jìn)行處理，此時需要在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)來處理每一個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)用市場評論的詳細(xì)內(nèi)容，更多關(guān)于python 爬取華為應(yīng)用市場的資料請關(guān)注腳本之家其它相關(guān)文章！