Python爬取APP下载链接的实现方法


            首先是准备工作

Python 2.7.11：下载python

Pycharm：下载Pycharm

其中python2和python3目前同步发行，我这里使用的是python2作为环境。Pycharm是一款比较高效的Python IDE，但是需要付费。

实现的基本思路

首先我们的目标网站：安卓市场

点击【应用】，进入我们的关键页面：



跳转到应用界面后我们需要关注三个地方，下图红色方框标出：



首先关注地址栏的URL，再关注免费下载按钮，然后关注底端的翻页选项。点击“免费下载”按钮就会立即下载相应的APP，所以我们的思路就是拿到这个点击下载的连接，就可以直接下载APP了。

编写爬虫

第一个需要解决的点：我们怎么拿到上面说的下载链接？这里不得不介绍下浏览器展示网页的基本原理。说简单点，浏览器是一个类似解析器的工具，它得到HTML等代码的时候会按照相应的规则解析渲染，从而我们能够看到页面。

这里我使用的是谷歌浏览器，对着页面右键，点击“检查”，可以看到网页原本的HTML代码：



看到眼花缭乱的HTML代码不用着急，谷歌浏览器的审查元素有一个好用的小功能，可以帮我们定位页面控件对应的HTML代码

位置：



如上图所示，点击上方矩形框中的小箭头，点击页面对应的位置，在右边的HTML代码中就会自动定位并高亮。

接下来我们定位到下载按钮对应的HTML代码：



可以看到按钮对应的代码中，存在相应的下载链接：【/appdown/com.tecent.mm】，加上前缀，完整的下载链接就是 http://apk.hiapk.com/appdown/com.tecent.mm

首先使用python拿到整个页面的HTML，很简单，使用“requests.get(url) ” ，url填入相应网址即可。





接着，在抓取页面关键信息的时候，采取“先抓大、再抓小”的思路。可以看到一个页面有10个APP，在HTML代码中对应10个item：



而每个 li 标签中，又包含各自APP的各个属性（名称、下载链接等）。所以第一步，我们将这10个 li 标签提取出来：





def geteveryapp(self,source):

  everyapp = re.findall('(<li class="list_item".*?</li>)',source,re.S)

  #everyapp2 = re.findall('(<div class="button_bg button_1 right_mt">.*?</div>)',everyapp,re.S)

  return everyapp



这里用到了简单的正则表达式知识

提取 li 标签中的下载链接：







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



接下来需要说的难点是翻页，点击下方的翻页按钮后我们可以看到地址栏发生了如下变化：





豁然开朗，我们可以在每次的请求中替换URL中对应的id值实现翻页。





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



爬虫效果



关键位置说完了，我们先看下最后爬虫的效果：



在TXT文件中保存结果如下：



直接复制进迅雷就可以批量高速下载了。

附上全部代码







#-*_coding:utf8-*-

import requests

import re

import sys

reload(sys)

sys.setdefaultencoding("utf-8")



class spider(object):

 def __init__(self):

  print u'开始爬取内容'

 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'] + '\n')

  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'正在处理页面' + 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)



总结

选取的目标网页相对结构清晰简单，这是一个比较基本的爬虫。代码写的比较乱请见谅，以上就是这篇文章的全部内容了，希望能对大家的学习或者工作带来一定的帮助，如果有问题大家可以留言交流。