Python网络爬虫——Appuim+夜神模拟器爬取得到APP课程数据

一、背景介绍

随着生产力和经济社会的发展,温饱问题基本解决,人们开始追求更高层次的精神文明,开始愿意为知识和内容付费。从2016年开始,内容付费渐渐成为时尚。 罗辑思维创始人罗振宇全力打造“得到APP”就是这样一款优质的可以听音频、学通识课程、看电子书、看直播、记笔记的知识付费平台,得到汇聚罗振宇、薛兆丰、梁宁、万维钢、吴军、香帅、宁向东等各个领域的专家学者的精品课程,致力于服务所有终身学习者。

也许你会感到奇怪,得到就是这样一款只有APP而没有网页版的产品,所以传统的网页爬取对于爬取得到数据只能是望洋兴叹了。本文用于爬取得到APP的课程数据,包括课程名称、作者、单价、学习人数等数据,可作为一个爬取APP数据的demo进行分享。

二、APP爬取思路和方案选择

2.1 思路一

通过抓包软件对APP进行抓包分析, 这种方式可以看到 App 在运行过程中发生的所有请求和响应。得知接口之后可以通过设置合适的请求头和各种参数来发送HTTP或者HTTPS请求接口,接口返回的数据就是想要数据了。

这种方式一旦实现,基本上算是一劳永逸的,除非接口和返回数据定义发生变化。但是如果一些动态参数设置不对,访问接口则不能得到任何数据,换句话说,只要无法破解参数,这条路就是死路一条。

2.2 思路二

通过自动化测试工具模拟手工操作APP进行数据的爬取。通过向自动化测试工具(例如Appium)发送操作指令,驱动设备完成点击、输入、滑动等各种操作,分析页面数据完成数据爬取。

这种方式相比于方式一而言,并不会受限于请求头和动态参数,只要是人工可以操作的,自动化测试工具都可以帮助我们进行完成,而所有的APP的所有功能所有页面用户都可以进行操作,意味着APP内所有的数据都可以拿到。

2.3 方案选择

本人在尝试使用方式一的过程中,抓包分析接口之后发现有些动态参数无法搞定,故放弃该方式。采用方式二进行爬取。

三、准备工作

3.1 Python环境的搭建

下载Python安装包:官方下载地址

安装:注意勾选“Add Python 3.8 to PATH”

3.2 Android SDK安装和环境变量配置

下载Android Studio进行安装Android SDK:下载地址

默认安装或者选择路径进行安装即可

环境变量的配置:

变量名称:ANDROID_HOME
变量值:SDK安装路径
在Path变量下面添加:%ANDROID_SDK_HOME%\platform-tools
在Path变量下面添加:%ANDROID_SDK_HOME%\tools

3.3 夜神模拟器安装和得到APP安装

夜神模拟器下载:夜神模拟器

夜神模拟器安装:默认安装即可。

得到APP下载:得到APP下载

将下载的apk安装包拖动到夜神模拟器中进行安装。

3.4 Appium安装

Appium下载地址: Appium下载

安装:默认安装到C盘即可。

配置环境变量:

变量名称:APPIUM_HOME
变量值:Appium安装路径(eg:C:\Program Files\Appium)
在Path变量下面添加:%APPIUM_HOME%

四、爬取核心

4.1 Appium启动APP

使用Appium启动APP时需要配置参数:platformName、deviceName、appPackage、appActivity。配置完成之后Appium会自动查找手机上面的包名和入口类,然后将其启动。

platformName:平台名称,本文使用的是安卓平台,填写Android。
deviceName:设备名称。
appPackage:APP程序包。
appActivity:程序入口。
  • 获取appPackage和appActivity的方法:

最简单有效的方法为使用命令行获取。使用Appium客户端连接到APP,将APP打开到需要获取appActivity的页面,执行下面命令:

adb shell
dumpsys activity | grep mFocusedActivity

Python网络爬虫——Appuim+夜神模拟器爬取得到APP课程数据_第1张图片

代码如下:

 def __init__(self):
 print("init")
 self.desired_caps = {
 "platformName": "Android",
 "deviceName": "127.0.0.1:62001",
 'platformVersion': '5.1',
 "appPackage": "com.luojilab.player",
 "appActivity": "com.luojilab.business.HomeTabActivity",  # 主页
 "noReset": True
 }
 self.driver = webdriver.Remote(DRIVER_SERVER, self.desired_caps)
 self.wait = WebDriverWait(self.driver, TIMEOUT)

这段代码的作用是使用Appium启动得到APP并进入主页。如图:

Python网络爬虫——Appuim+夜神模拟器爬取得到APP课程数据_第2张图片

4.2 点击“课程”按钮进入课程页

本文目的是爬取课程的数据,所以需要点击课程进入课程页。人的操作是这样的的,首先在课程页面找到课程按钮,然后点击。程序的操作也是一样的:首先要定位到“课程”这个按钮,然后进行点击。

使用Appium定位元素

Python网络爬虫——Appuim+夜神模拟器爬取得到APP课程数据_第3张图片

点击选中左边“课程”按钮,可以看到这个元素的源代码,通过xpath定位:

course = self.driver.find_element_by_xpath("//android.widget.TextView[@text='课程']") # 课程

Appium可以进行点击的操作。点击课程按钮的代码如下:course.click()

4.3 定义课程数据类

课程页面如图所示:

Python网络爬虫——Appuim+夜神模拟器爬取得到APP课程数据_第4张图片

从课程页面可以看到,一门课程展现出来的数据有:课程名称、课程摘要、作者姓名和头衔、单价以及销量。

从面向对象的思想来说,课程就是一个对象,这个对象有如下属性:课程名称、课程摘要、作者姓名和头衔、单价以及销量。用代码表示就是这样的:

class CourseData(object):
 def __init__(self, course_name, summary, lecturer_name_and_title, price, subscribe_num):
 super().__init__()
 self.course_name = course_name
 self.summary = summary
 self.lecturer_name_and_title = lecturer_name_and_title
 self.price = price
 self.subscribe_num = subscribe_num

4.4 获取所有课程数据

通过Appium分析页面的源代码,可以很容易解析得到课程的各种数据。

Python网络爬虫——Appuim+夜神模拟器爬取得到APP课程数据_第5张图片

代码如下:

course_names = temp.find_element_by_id('com.luojilab.player:id/column_name') #课程名称
summaries = temp.find_element_by_id('com.luojilab.player:id/summary') # 摘要
lecturer_name_and_titles = temp.find_element_by_id(
'com.luojilab.player:id/tv_name_and_title') # 讲师
prices = temp.find_element_by_id('com.luojilab.player:id/price') #价格
subscribe_nums = temp.find_element_by_id('com.luojilab.player:id/tv_subscribe_num') # 价格

当获取完一屏的数据,需要向上滑动继续获取数据。

Appium滑动API说明:

方法:swipe(int start x,int start y,int end x,int y,duration) 
参数说明:
int start x:开始滑动的x坐标;
int start y:开始滑动的y坐标 ;
int end x:结束点x坐标;
int end y:结束点y坐标; 
duration:滑动时间。

本文是从屏幕下部滑动到屏幕上部,滑动时间为2000ms。具体代码为:

self.driver.swipe(FLICK_START_X, FLICK_START_Y, FLICK_START_X,
 FLICK_START_Y + FLICK_DISTANCE,
 2000)

当无法滑动的时候,数据就获取完成了。

4.5 课程数据写入Excel

数据获取完成之后需要进行存储。Python中有专门操作Excel的库:openpyxl。本文使用openpyxl将爬取到的数据写入Excel进行保存。核心代码如下:

# 定义数据输出的Excel
try:
 wb = openpyxl.load_workbook(PATH)
except:
 wb = openpyxl.Workbook()
# wb = openpyxl.Workbook()
sheet_name = time.strftime("%F")
sheet = wb.create_sheet(sheet_name)
row = ["学院", "课程名称", "课程摘要", "主讲人", "单价", "销量", "销售金额"]
sheet.append(row)
...
wb.save(PATH)

五、总结

本文使用Appium和夜神模拟器在Windows平台上面实现得到课程数据的爬取。这里给出GitHub代码供大家学习,程序适用于最新版得到APP的课程数据爬取,如遇到APP版本升级等特殊情况,程序也需要进行升级维护。

GitHub地址

你可能感兴趣的:(网络爬虫,Python)