Python 2.7.11：下載python
Pycharm：下載Pycharm
其中python2和python3目前同步發行，我這里使用的是python2作為環境。Pycharm是一款比較高效的Python IDE，但是需要付費。
實現的基本思路
首先我們的目標網站：安卓市場
點擊【應用】，進入我們的關鍵頁面：
跳轉到應用界面后我們需要關注三個地方，下圖紅色方框標出：
首先關注地址欄的URL，再關注免費下載按鈕，然后關注底端的翻頁選項。點擊“免費下載”按鈕就會立即下載相應的APP，所以我們的思路就是拿到這個點擊下載的連接，就可以直接下載APP了。
編寫爬蟲
第一個需要解決的點：我們怎么拿到上面說的下載鏈接？這里不得不介紹下瀏覽器展示網頁的基本原理。說簡單點，瀏覽器是一個類似解析器的工具，它得到HTML等代碼的時候會按照相應的規則解析渲染，從而我們能夠看到頁面。
這里我使用的是谷歌瀏覽器，對著頁面右鍵，點擊“檢查”，可以看到網頁原本的HTML代碼：
看到眼花繚亂的HTML代碼不用著急，谷歌瀏覽器的審查元素有一個好用的小功能，可以幫我們定位頁面控件對應的HTML代碼
位置：
如上圖所示，點擊上方矩形框中的小箭頭，點擊頁面對應的位置，在右邊的HTML代碼中就會自動定位并高亮。
接下來我們定位到下載按鈕對應的HTML代碼：
可以看到按鈕對應的代碼中，存在相應的下載鏈接：【/appdown/com.tecent.mm】，加上前綴，完整的下載鏈接就是 http://apk.hiapk.com/appdown/com.tecent.mm
首先使用python拿到整個頁面的HTML，很簡單，使用“requests.get(url) ” ，url填入相應網址即可。
接著，在抓取頁面關鍵信息的時候，采取“先抓大、再抓小”的思路?？梢钥吹揭粋€頁面有10個APP，在HTML代碼中對應10個item：
而每個 li 標簽中，又包含各自APP的各個屬性（名稱、下載鏈接等）。所以第一步，我們將這10個 li 標簽提取出來：
def geteveryapp(self,source):
everyapp = re.findall('(<li class="list_item".*?</li>)',source,re.S)
#everyapp2 = re.findall('(<p class="button_bg button_1 right_mt">.*?</p>)',everyapp,re.S)
return everyapp這里用到了簡單的正則表達式知識
提取 li 標簽中的下載鏈接：
def getinfo(self,eachclass):
info = {}
str1 = str(re.search('<a href="(.*?)">', eachclass).group(0))
app_url = re.search('"(.*?)"', str1).group(1)
appdown_url = app_url.replace('appinfo', 'appdown')
info['app_url'] = appdown_url
print appdown_url
return info接下來需要說的難點是翻頁，點擊下方的翻頁按鈕后我們可以看到地址欄發生了如下變化：
豁然開朗，我們可以在每次的請求中替換URL中對應的id值實現翻頁。
def changepage(self,url,total_page):
now_page = int(re.search('pi=(d)', url).group(1))
page_group = []
for i in range(now_page,total_page+1):
link = re.sub('pi=d','pi=%s'%i,url,re.S)
page_group.append(link)
return page_group爬蟲效果
關鍵位置說完了，我們先看下最后爬蟲的效果：
在TXT文件中保存結果如下：
直接復制進迅雷就可以批量高速下載了。
附上全部代碼
#-*_coding:utf8-*-
import requests
import re
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
class spider(object):
def __init__(self):
print u'開始爬取內容'
def getsource(self,url):
html = requests.get(url)
return html.text
def changepage(self,url,total_page):
now_page = int(re.search('pi=(d)', url).group(1))
page_group = []
for i in range(now_page,total_page+1):
link = re.sub('pi=d','pi=%s'%i,url,re.S)
page_group.append(link)
return page_group
def geteveryapp(self,source):
everyapp = re.findall('(<li class="list_item".*?</li>)',source,re.S)
return everyapp
def getinfo(self,eachclass):
info = {}
str1 = str(re.search('<a href="(.*?)">', eachclass).group(0))
app_url = re.search('"(.*?)"', str1).group(1)
appdown_url = app_url.replace('appinfo', 'appdown')
info['app_url'] = appdown_url
print appdown_url
return info
def saveinfo(self,classinfo):
f = open('info.txt','a')
str2 = "http://apk.hiapk.com"
for each in classinfo:
f.write(str2)
f.writelines(each['app_url'] + '
')
f.close()
if __name__ == '__main__':
appinfo = []
url = 'http://apk.hiapk.com/apps/MediaAndVideo?sort=5&pi=1'
appurl = spider()
all_links = appurl.changepage(url, 5)
for link in all_links:
print u'正在處理頁面' + link
html = appurl.getsource(link)
every_app = appurl.geteveryapp(html)
for each in every_app:
info = appurl.getinfo(each)
appinfo.append(info)
appurl.saveinfo(appinfo)總結
選取的目標網頁相對結構清晰簡單，這是一個比較基本的爬蟲。代碼寫的比較亂請見諒，
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com
Copyright ? 2019-2025 m.alabama37th.com 版權所有
違法及侵權請聯系：TEL:177 7030 7066 E-MAIL:11247931@qq.com 本站由北京市萬商天勤律師事務所王興未律師提供法律服務
