手把手教你利用Python网络爬虫获取APP推广信息

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：Python进阶者

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取http://t.cn/A6Zvjdun

CPA之家app推广平台是国内很大的推广平台。该网址的数据信息高达数万条，爬取该网址的信息进行数据的分析。

项目目标

实现将获取到的QQ，导入excel模板，并生成独立的excel文档。

项目分析

反爬措施处理

前期测试时发现，该网站反爬虫处理措施很多，测试到有以下几个：

1. 直接使用requests库，在不设置任何header的情况下，网站直接不返回数据。

2. 同一个ip连续访问40多次，直接封掉ip，起初我的ip就是这样被封掉的。

为了解决这两个问题，最后经过研究，使用以下方法，可以有效解决。

1. 获取正常的 http请求头，并在requests请求时设置这些常规的http请求头。

2. 使用 fake_useragent ，产生随机的UserAgent进行访问。

需要的库和网址

1、网址，如下所示：

https://www.cpajia.com/index.php?g=Wap&a=searchua

2、需要用到的库：requests、time、lxml、ua

项目实现

我们定义get_page方法, 准备url地址和请求头headers,导入对应的库。

import requests
import os
import re
from  fake_useragent import UserAgent
from lxml import etree

house_dict = {} #定义一个字典
def get_page(url, page_num):
        pass
url = 'https://www.cpajia.com/index.php?g=Wap&a=search' #网址
ua = UserAgent(verify_ssl=False) #随机的UserAgent
kv = {
    'User-Agent': ua.random}

pageList = get_page()

下面介绍一下如何爬取ajax动态加载的网页方法。

翻页时发现它的url并没有改变，无法简单的通过request.get()访问其他页面。据搜索资料，了解到这些网站是通过ajax动态加载技术实现。即可以在不重新加载整个网页的情况下，对网页的某部分进行更新。

通过分析响应请求，模拟响应参数。再通过requests库的request.post()函数去post相对应的参数即可。

具体方法如下：打开开发者工具，快捷键F12，不行就Fn + F12。

<1>标红的箭头network， 在其中可以看到服务器加载过来的资源。

< 2>标红的框框一个过滤器，你可以按照文件格式筛选。

Headers中的request method 中显示我们使用的是POST方法。而且FROM Data 中有一个参数，PageIndex。

利用Form Data 中的数据，编写一个字典，赋值给requests.post()中的data即可。

接下来就可以正常访问和翻页了！

对网站发生请求

import requests
import os
import re
from  fake_useragent import UserAgent
from lxml import etree
def get_page(url, page_num):
    pageList = []
    for i in range(1, page_num + 1):
        formdata = {'PageIndex': i}
ua = UserAgent(verify_ssl=False)
kv = {'User-Agent': ua.random}

pageList = get_page()

对请求到的数据进行处理，具体过程如下所示。

用谷歌浏览器选择开发者工具或者按F12，找到相对应的QQ号的链接。

response = requests.post(url=url, data=formdata, headers=kv)
            html = response.content.decode('utf-8')
            parse_html = etree.HTML(html)
            page = parse_html.xpath('//div[@class="wrap"]//div[@class="list-main"]')
            for li in page:
               house_dict['项目'] = li.xpath('.//div[@class="main-top"]//b/text()')[0].strip()
               house_dict['QQ'] = li.xpath('.// div[ @class ="main-com"]//span//a/text()')[0].strip()
               #print(house_dict)

将获取的信息写入excel表格

f = open('QQ号.csv', 'a', encoding='utf-8')  # 以'w'方式打开文件
               f.write(str(house_dict))
               print(house_dict)
               f.write("\n")# 键和值分行放，键在单数行，值在双数行
               f.close()

注：cvs文件会出现乱码，我们点击文件选择Excel工作薄，后缀名是xlsx；再点保存即可。

输入要爬取的页数

pageList = get_page(url, 100)#页数（网址，页数）

效果展示

点击绿色按钮运行，将结果显示在控制台，如下图所示。输入你要爬取的页数。

打开Excel表格，如下图所示。