本文分享自公眾號【第2大腦】，作者蘇克1900，經授權分享給大家。全文近1.3萬字，預計閱讀時間：33分鐘，建議點贊收藏後找空餘時間閱讀。
摘要：使用 Scrapy 爬取豌豆莢全網 70,000+ App，並進行探索性分析。
寫在前面：若對數據抓取部分不感興趣，可以直接下拉到數據分析部分。
1 分析背景
之前我們使用了 Scrapy 爬取並分析了酷安網 6000+ App，為什麼這篇文章又在講抓 App 呢？
因為我喜歡折騰 App，哈哈。當然，主要是因為下面這幾點：
第一、之前抓取的網頁很簡單
在抓取酷安網時，我們使用 for 循環，遍歷了幾百頁就完成了所有內容的抓取，非常簡單，但現實往往不會這麼 easy，有時我們要抓的內容會比較龐大，比如抓取整個網站的數據，為了增強爬蟲技能，所以本文選擇了「豌豆莢」這個網站。
目標是： 爬取該網站所有分類下的 App 信息並下載 App 圖標，數量在70,000左右，比酷安升了一個數量級。
第二、再次練習使用強大的 Scrapy 框架
之前只是初步地使用了 Scrapy 進行抓取，還沒有充分領會到 Scrapy 有多麼牛逼，所以本文嘗試深入使用 Scrapy，增加隨機 UserAgent、代理 IP 和圖片下載等設置。
第三、對比一下酷安和豌豆莢兩個網站
相信很多人都在使用豌豆莢下載 App，我則使用酷安較多，所以也想比較一下這兩個網站有什麼異同點。
話不多說，下面開始抓取流程。
▌分析目標
首先，我們來了解一下要抓取的目標網頁是什麼樣的。
可以看到該網站上的 App 分成了很多類，包括：「應用播放」、「系統工具」等，一共有 14 個大類別，每個大類下又細分了多個小類，例如，影音播放下包括：「視頻」、「直播」等。
點擊「視頻」進入第二級子類頁面，可以看到每款 App 的部分信息，包括：圖標、名稱、安裝數量、體積、評論等。
在之前的一篇文章中（見下方鏈接），我們分析了這個頁面：採用 AJAX 加載，GET 請求，參數很容易構造，但是具體頁數不確定，最後分別使用了 For 和 While 循環抓取了所有頁數的數據。
∞ Python For 和 While 循環爬取不確定頁數的網頁
接著，我們可以再進入第三級頁面，也就是每款 App 的詳情頁，可以看到多了下載數、好評率、評論數這幾樣參數，抓取思路和第二級頁面大同小異，同時為了減小網站壓力，所以 App 詳情頁就不抓取了。
所以，這是一個分類多級頁面的抓取問題，依次抓取每一個大類下的全部子類數據。
學會了這種抓取思路，很多網站我們都可以去抓，比如很多人愛爬的「豆瓣電影」也是這樣的結構。
▌分析內容
數據抓取完成後，本文主要是對分類型數據的進行簡單的探索性分析，包括這麼幾個方面：
下載量最多 / 最少的 App 總排名
下載量最多 / 最少的 App 分類 / 子分類排名
App 下載量區間分佈
App 名稱重名的有多少
和酷安 App 進行對比
▌分析工具
Python
Scrapy
MongoDB
Pyecharts
Matplotlib
2 數據抓取
▌網站分析
我們剛才已經初步對網站進行了分析，大致思路可以分為兩步，首先是提取所有子類的 URL 鏈接，然後分別抓取每個 URL 下的 App 信息就行了。
可以看到，子類的 URL 是由兩個數字構成，前面的數字表示分類編號，後面的數字表示子分類編號，得到了這兩個編號，就可以抓取該分類下的所有 App 信息，那麼怎麼獲取這兩個數值代碼呢？
回到分類頁面，定位查看信息，可以看到分類信息都包裹在每個 li 節點中，子分類 URL 則又在子節點 a 的 href 屬性中，大分類一共有 14 個，子分類一共有 88 個。
到這兒，思路就很清晰了，我們可以用 CSS 提取出全部子分類的 URL，然後分別抓取所需信息即可。
另外還需注意一點，該網站的 首頁信息是靜態加載的，從第 2 頁開始是採用了 Ajax 動態加載，URL 不同，需要分別進行解析提取。
▌Scrapy抓取
我們要爬取兩部分內容，一是 APP 的數據信息，包括前面所說的：名稱、安裝數量、體積、評論等，二是下載每款 App 的圖標，分文件夾進行存放。
由於該網站有一定的反爬措施，所以我們需要添加隨機 UA 和代理 IP，關於這兩個知識點，我此前單獨寫了兩篇文章進行鋪墊，傳送門：
∞ Scrapy 中設置隨機 User-Agent 的方法彙總
∞ Python 爬蟲的代理 IP 設置方法彙總
這裡隨機 UA 使用 scrapy-fake-useragent 庫，一行代碼就能搞定，代理 IP 直接上阿布雲付費代理，幾塊錢搞定簡單省事。
下面，就直接上代碼了。
items.py
1import scrapy
2
3class WandoujiaItem(scrapy.Item):
4 cate_name = scrapy.Field #分類名
5 child_cate_name = scrapy.Field #分類編號
6 app_name = scrapy.Field # 子分類名
7 install = scrapy.Field # 子分類編號
8 volume = scrapy.Field # 體積
9 comment = scrapy.Field # 評論
10 icon_url = scrapy.Field # 圖標url
middles.py
中間件主要用於設置代理 IP。
1import base64
2proxyServer = "http://http-dyn.abuyun.com:9020"
3proxyUser = "你的信息"
4proxyPass = "你的信息"
5
6proxyAuth = "Basic " + base64.urlsafe_b64encode(bytes((proxyUser + ":" + proxyPass), "ascii")).decode("utf8")
7class AbuyunProxyMiddleware(object):
8 def process_request(self, request, spider):
9 request.meta["proxy"] = proxyServer
10 request.headers["Proxy-Authorization"] = proxyAuth
11 logging.debug('Using Proxy:%s'%proxyServer)
pipelines.py
該文件用於存儲數據到 MongoDB 和下載圖標到分類文件夾中。
存儲到 MongoDB：
1MongoDB 存儲
2class MongoPipeline(object):
3 def __init__(self,mongo_url,mongo_db):
4 self.mongo_url = mongo_url
5 self.mongo_db = mongo_db
6
7 @classmethod
8 def from_crawler(cls,crawler):
9 return cls(
10 mongo_url = crawler.settings.get('MONGO_URL'),
11 mongo_db = crawler.settings.get('MONGO_DB')
12 )
13
14 def open_spider(self,spider):
15 self.client = pymongo.MongoClient(self.mongo_url)
16 self.db = self.client[self.mongo_db]
17
18 def process_item(self,item,spider):
19 name = item.__class__.__name__
20 # self.db[name].insert(dict(item))
21 self.db[name].update_one(item, {'$set': item}, upsert=True)
22 return item
23
24 def close_spider(self,spider):
25 self.client.close
按文件夾下載圖標：
1# 分文件夾下載
2class ImagedownloadPipeline(ImagesPipeline):
3 def get_media_requests(self,item,info):
4 if item['icon_url']:
5 yield scrapy.Request(item['icon_url'],meta={'item':item})
6
7 def file_path(self, request, response=None, info=None):
8 name = request.meta['item']['app_name']
9 cate_name = request.meta['item']['cate_name']
10 child_cate_name = request.meta['item']['child_cate_name']
11
12 path1 = r'/wandoujia/%s/%s' %(cate_name,child_cate_name)
13 path = r'{}\{}.{}'.format(path1, name, 'jpg')
14 return path
15
16 def item_completed(self,results,item,info):
17 image_path = [x['path'] for ok,x in results if ok]
18 if not image_path:
19 raise DropItem('Item contains no images')
20 return item
settings.py
1BOT_NAME = 'wandoujia'
2SPIDER_MODULES = ['wandoujia.spiders']
3NEWSPIDER_MODULE = 'wandoujia.spiders'
4
5MONGO_URL = 'localhost'
6MONGO_DB = 'wandoujia'
7
8# 是否遵循機器人規則
9ROBOTSTXT_OBEY = False
10# 下載設置延遲 由於買的阿布雲一秒只能請求5次，所以每個請求設置了 0.2s延遲
11DOWNLOAD_DELAY = 0.2
12
13DOWNLOADER_MIDDLEWARES = {
14 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
15 'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 100, # 隨機UA
16 'wandoujia.middlewares.AbuyunProxyMiddleware': 200 # 阿布雲代理
17 ）
18
19ITEM_PIPELINES = {
20 'wandoujia.pipelines.MongoPipeline': 300,
21 'wandoujia.pipelines.ImagedownloadPipeline': 400,
22}
23
24# URL不去重
25DUPEFILTER_CLASS = 'scrapy.dupefilters.BaseDupeFilter'
wandou.py
主程序這裡列出關鍵的部分：
1def __init__(self):
2 self.cate_url = 'https://www.wandoujia.com/category/app'
3 # 子分類首頁url
4 self.url = 'https://www.wandoujia.com/category/'
5 # 子分類 ajax請求頁url
6 self.ajax_url = 'https://www.wandoujia.com/wdjweb/api/category/more?'
7 # 實例化分類標籤
8 self.wandou_category = Get_category
9def start_requests(self):
10 yield scrapy.Request(self.cate_url,callback=self.get_category)
11
12def get_category(self,response):
13 cate_content = self.wandou_category.parse_category(response)
14 # ...
這裡，首先定義幾個 URL，包括：分類頁面、子分類首頁、子分類 AJAX 頁，也就是第 2 頁開始的 URL，然後又定義了一個類 Get_category 專門用於提取全部的子分類 URL，稍後我們將展開該類的代碼。
程序從 start_requests 開始運行，解析首頁獲得響應，調用 get_category 方法，然後使用 Get_category 類中的 parse_category 方法提取出所有 URL，具體代碼如下：
1class Get_category:
2 def parse_category(self, response):
3 category = response.css('.parent-cate')
4 data = [{
5 'cate_name': item.css('.cate-link::text').extract_first(),
6 'cate_code': self.get_category_code(item),
7 'child_cate_codes': self.get_child_category(item),
8 } for item in category]
9 return data
10
11 # 獲取所有主分類標籤數值代碼
12 def get_category_code(self, item):
13 cate_url = item.css('.cate-link::attr("href")').extract_first
14 pattern = re.compile(r'.*/(\d+)') # 提取主類標籤代碼
15 cate_code = re.search(pattern, cate_url)
16 return cate_code.group(1)
17
18 # 獲取所有子分類名稱和編碼
19 def get_child_category(self, item):
20 child_cate = item.css('.child-cate a')
21 child_cate_url = [{
22 'child_cate_name': child.css('::text').extract_first(),
23 'child_cate_code': self.get_child_category_code(child)
24 } for child in child_cate]
25 return child_cate_url
26
27 # 正則提取子分類編碼
28 def get_child_category_code(self, child):
29 child_cate_url = child.css('::attr("href")').extract_first
30 pattern = re.compile(r'.*_(\d+)') # 提取小類標籤編號
31 child_cate_code = re.search(pattern, child_cate_url)
32 return child_cate_code.group(1)
這裡，除了分類名稱 cate_name 可以很方便地直接提取出來，分類編碼和子分類的子分類的名稱和編碼，我們使用了 get_category_code 等三個方法進行提取。提取方法使用了 CSS 和正則表達式，比較簡單。
最終提取的分類名稱和編碼結果如下，利用這些編碼，我們就可以構造 URL 請求開始提取每個子分類下的 App 信息了。
1{'cate_name': '影音播放', 'cate_code': '5029', 'child_cate_codes': [
2 {'child_cate_name': '視頻', 'child_cate_code': '716'},
3 {'child_cate_name': '直播', 'child_cate_code': '1006'},
4 ...
5 ]},
6{'cate_name': '系統工具', 'cate_code': '5018', 'child_cate_codes': [
7 {'child_cate_name': 'WiFi', 'child_cate_code': '895'},
8 {'child_cate_name': '瀏覽器', 'child_cate_code': '599'},
9 ...
10 ]},
11...
接著前面的 get_category 繼續往下寫，提取 App 的信息：
1def get_category(self,response):
2 cate_content = self.wandou_category.parse_category(response)
3 # ...
4 for item in cate_content:
5 child_cate = item['child_cate_codes']
6 for cate in child_cate:
7 cate_code = item['cate_code']
8 cate_name = item['cate_name']
9 child_cate_code = cate['child_cate_code']
10 child_cate_name = cate['child_cate_name']
11
12 page = 1 # 設置爬取起始頁數
13 if page == 1:
14 # 構造首頁url
15 category_url = '{}{}_{}' .format(self.url, cate_code, child_cate_code)
16 else:
17 params = {
18 'catId': cate_code, # 類別
19 'subCatId': child_cate_code, # 子類別
20 'page': page,
21 }
22 category_url = self.ajax_url + urlencode(params)
23 dict = {'page':page,'cate_name':cate_name,'cate_code':cate_code,'child_cate_name':child_cate_name,'child_cate_code':child_cate_code}
24 yield scrapy.Request(category_url,callback=self.parse,meta=dict)
這裡，依次提取出全部的分類名稱和編碼，用於構造請求的 URL。
由於首頁的 URL 和第 2 頁開始的 URL 形式不同，所以使用了 if 語句分別進行構造。接下來，請求該 URL 然後調用 self.parse 方法進行解析，這裡使用了 meta 參數用於傳遞相關參數。
1def parse(self, response):
2 if len(response.body) >= 100: # 判斷該頁是否爬完，數值定為100是因為無內容時長度是87
3 page = response.meta['page']
4 cate_name = response.meta['cate_name']
5 cate_code = response.meta['cate_code']
6 child_cate_name = response.meta['child_cate_name']
7 child_cate_code = response.meta['child_cate_code']
8
9 if page == 1:
10 contents = response
11 else:
12 jsonresponse = json.loads(response.body_as_unicode)
13 contents = jsonresponse['data']['content']
14 # response 是json,json內容是html，html 為文本不能直接使用.css 提取，要先轉換
15 contents = scrapy.Selector(text=contents, type="html")
16
17 contents = contents.css('.card')
18 for content in contents:
19 # num += 1
20 item = WandoujiaItem
21 item['cate_name'] = cate_name
22 item['child_cate_name'] = child_cate_name
23 item['app_name'] = self.clean_name(content.css('.name::text').extract_first)
24 item['install'] = content.css('.install-count::text').extract_first
25 item['volume'] = content.css('.meta span:last-child::text').extract_first
26 item['comment'] = content.css('.comment::text').extract_first.strip
27 item['icon_url'] = self.get_icon_url(content.css('.icon-wrap a img'),page)
28 yield item
29
30 # 遞歸爬下一頁
31 page += 1
32 params = {
33 'catId': cate_code, # 大類別
34 'subCatId': child_cate_code, # 小類別
35 'page': page,
36 }
37 ajax_url = self.ajax_url + urlencode(params)
38 dict = {'page':page,'cate_name':cate_name,'cate_code':cate_code,'child_cate_name':child_cate_name,'child_cate_code':child_cate_code}
39 yield scrapy.Request(ajax_url,callback=self.parse,meta=dict)
最後，parse 方法用來解析提取最終我們需要的 App 名稱、安裝量等信息，解析完成一頁後，page 進行遞增，然後重複調用 parse 方法循環解析，直到解析完全部分類的最後一頁。
最終，幾個小時後，我們就可以完成全部 App 信息的抓取，我這裡得到 73,755 條信息和 72,150 個圖標，兩個數值不一樣是因為有些 App 只有信息沒有圖標。
圖標下載：
下面將對提取的信息，進行簡單的探索性分析。
3 數據分析
▌總體情況
首先來看一下 App 的安裝量情況，畢竟 70000 多款 App，自然很感興趣哪些 App 使用地最多，哪些又使用地最少。
代碼實現如下：
1plt.style.use('ggplot')
2colors = '#6D6D6D' #字體顏色
3colorline = '#63AB47' #紅色CC2824 #豌豆莢綠
4fontsize_title = 20
5fontsize_text = 10
6
7# 下載量總排名
8def analysis_maxmin(data):
9 data_max = (data[:10]).sort_values(by='install_count')
10 data_max['install_count'] = (data_max['install_count'] / 100000000).round(1)
11 data_max.plot.barh(x='app_name',y='install_count',color=colorline)
12 for y, x in enumerate(list((data_max['install_count']))):
13 plt.text(x + 0.1, y - 0.08, '%s' %
14 round(x, 1), ha='center', color=colors)
15
16 plt.title('安裝量最多的 10 款 App ?',color=colors)
17 plt.xlabel('下載量(億次)')
18 plt.ylabel('App')
19 plt.tight_layout
20 # plt.savefig('安裝量最多的App.png',dpi=200)
21 plt.show
看了上圖，有兩個「沒想到」：
排名第一的居然是一款手機管理軟件
對豌豆莢網上的這個第一名感到意外，一是、好奇大家都那麼愛手機清理或者怕中毒麼？畢竟，我自己的手機都「裸奔」了好些年；二是、第一名居然不是鵝廠的其他產品，比如：微信或者QQ。
榜單放眼望去，以為會出現的沒有出現，沒有想到的卻出現了
前十名中，居然出現了書旗小說、印客這些比較少聽過的名字，而國民 App 微信、支付寶等甚至都沒有出現在這個榜單中。
帶著疑問和好奇，分別找到了「騰訊手機管家」和「微信」兩款 App 的主頁：
騰訊手機管家下載和安裝量：
微信下載和安裝量：
這是什麼情況？？？
騰訊管家 3 億多的下載量等同於安裝量，而微信 20 多億的下載量，只有區區一千多萬的安裝量，兩組數據對比，大致反映了兩個問題：
要麼是騰訊管家的下載量實際並沒有那麼多
要麼是微信的下載量寫少了
不管是哪個問題，都反映了一個問題：該網站做得不夠走心啊。
為了證明這個觀點，將前十名的安裝量和下載量都作了對比，發現很多 App 的安裝量和下載量是一樣的，也就是說：這些 App 的實際安裝量並沒有那麼多，而如果這樣的話，那麼這份榜單就有很大水分了。
難道，辛辛苦苦爬了那麼久，就得到這樣的結果？
不死心，接著再看看安裝量最少的 App 是什麼情況，這裡找出了其中最少的 10 款：
掃了一眼，更加沒想到了：
「QQ 音樂」竟然是倒數第一，只有 3 次安裝量！
這和剛剛上市、市值千億的 QQ 音樂是同一款產品?
再次核實了一下：
沒有看錯，是寫著 3人安裝!
這是已經不走心到什麼程度了？這個安裝量，鵝廠還能「用心做好音樂」?
說實話，到這兒已經不想再往下分析下去了，擔心爬扒出更多沒想到的東西，不過辛苦爬了這麼久，還是再往下看看吧。
看了首尾，我們再看看整體，瞭解一下全部 App 的安裝數量分佈，這裡去除了有很大水分的前十名 App。
很驚訝地發現，竟然有 多達 67,195 款，佔總數的 94% 的 App 的安裝量不足 1萬!
如果這個網站的所有數據都是真的話，那麼上面排名第一的手機管家，它一款就差不多抵得上這 6 萬多款 App 的安裝量!
對於多數 App 開發者，只能說：現實很殘酷，辛辛苦苦開發出來的 App，用戶不超過 1萬人的可能性高達近 95%。
代碼實現如下：
1def analysis_distribution(data):
2 data = data.loc[10:,:]
3 data['install_count'] = data['install_count'].apply(lambda x:x/10000)
4 bins = [0,1,10,100,1000,10000]
5 group_names = ['1萬以下','1-10萬','10-100萬','100-1000萬','1000萬-1億']
6 cats = pd.cut(data['install_count'],bins,labels=group_names)
7 cats = pd.value_counts(cats)
8 bar = Bar('App 下載數量分佈','高達 94% 的 App 下載量低於1萬')
9 bar.use_theme('macarons')
10 bar.add(
11 'App 數量',
12 list(cats.index),
13 list(cats.values),
14 is_label_show = True,
15 xaxis_interval = 0,
16 is_splitline_show = 0,
17 )
18 bar.render(path='App下載數量分佈.png',pixel_ration=1)
▌分類情況
下面，我們來看看各分類下的 App 情況，不再看安裝量，而看數量，以排出干擾。
可以看到 14 個大分類中，每個分類的 App 數量差距都不大，數量最多的「生活休閒」是「攝影圖像」的兩倍多一點。
接著，我們進一步看看 88 個子分類的 App 數量情況，篩選出數量最多和最少的 10 個子類：
可以發現兩點有意思的現象：
「收音機」類別 App 數量最多，達到 1,300 多款
這個很意外，當下收音機完全可以說是個老古董了，居然還有那麼人去開發。
App 子類數量差距較大
最多的「收音機」是最少的「動態壁紙」近 20 倍，如果我是一個 App 開發者，那我更願意去嘗試開發些小眾類的 App，競爭小一點，比如：「背單詞」、「小兒百科」這些。
看完了總體和分類情況，突然想到一個問題：這麼多 App，有沒有重名的呢？
驚奇地發現，叫「一鍵鎖屏」的 App 多達 40 款，這個功能 App 很難再想出別的名字了麼？ 現在很多手機都支持觸控鎖屏了，比一鍵鎖屏操作更加方便。
接下來，我們簡單對比下豌豆莢和酷安兩個網站的 App 情況。
▌對比酷安
二者最直觀的一個區別是在 App 數量上，豌豆莢擁有絕對的優勢，達到了酷安的十倍之多，那麼我們自然感興趣：
豌豆莢是否包括了酷安上所有的 App ?
如果是，「你有的我都有，你沒有的我也有」，那麼酷安就沒什麼優勢了。統計之後，發現豌豆莢 僅包括了 3,018 款，也就是一半左右，剩下的另一半則沒有包括。
這裡面固然存在兩個平臺上 App 名稱不一致的現象，但更有理由相信 酷安很多小眾的精品 App 是獨有的，豌豆莢裡並沒有。
代碼實現如下：
1include = data3.shape[0]
2notinclude = data2.shape[0] - data3.shape[0]
3sizes= [include,notinclude]
4labels = [u'包含',u'不包含']
5explode = [0,0.05]
6plt.pie(
7 sizes,
8 autopct = '%.1f%%',
9 labels = labels,
10 colors = [colorline,'#7FC161'], # 豌豆莢綠
11 shadow = False,
12 startangle = 90,
13 explode = explode,
14 textprops = {'fontsize':14,'color':colors}
15)
16plt.title('豌豆莢僅包括酷安上一半的 App 數量',color=colorline,fontsize=16)
17plt.axis('equal')
18plt.axis('off')
19plt.tight_layout
20plt.savefig('包含不保包含對比.png',dpi=200)
21plt.show
接下來，我們看看所包含的 App 當中，在兩個平臺上的下載量是怎麼樣的：
可以看到，兩個平臺上 App 下載數量差距還是很明顯。
最後，我面再看看豌豆莢上沒有包括哪些APP：
發現很多神器都沒有包括，比如：RE、綠色守護、一個木函等等。豌豆莢和酷安的對比就到這裡，如果用一句話來總結，我可能會說：
豌豆莢太牛逼了， App 數量是酷安的十倍，所以我選酷安。
以上，就是利用 Scrapy 爬取分類多級頁面並進行分析的一次實戰。
看完這篇文章，你有什麼啟發？
歡迎留言和我們分享
如果覺得文章對你有所幫助，歡迎點贊並且推薦給你的好友。
印度小夥寫了套深度學習教程，Github上星標已經5000+
上百個數據文件合併，只能手動複製粘貼？教你一招十秒搞定！
一個提升圖像識別準確率的精妙技巧
一文讀懂：從 Python 打包到 CLI 工具
如何使用 Python 進行時間序列預測？
美亞Kindle排名第一的Python 3入門書，火遍了整個編程圈
十分鐘搭建私有 Jupyter Notebook 服務器
使用 Python 製作屬於自己的 PDF 電子書
12步輕鬆搞定Python裝飾器
200 行代碼實現 2048 遊戲