Python爬虫私活，代码公开！采集了20000+漫展历史数据，一言不合就开源

橡皮擦，一个逗趣的互联网高级网虫。

文章的起源

周末，一个群友用 1 个小时，完成一个小需求，赚了 ￥None 元。

他说：距离财富自由又近了一步，并且一度在群里不断炫富。

然后我把它的代码给公开了，估计他要失去这条财富之路了。

阅读本文你将收获

• lxml 库解析知识；
• 粗糙的反 反爬 技术；
• XPath 语法再度了解；
• 20000+漫展历史数据。

采集 20000+漫展历史数据

目标数据分析

本次要抓取的目标为：https://www.nyato.com/manzhan/?type=expired&p=1，具体数据区域如下所示。如需要更多数据，可以在此基础上，进一步进行扩展。

详细数据可点击上图标题，进入明细页，目标数据可参考下图红框区域所示内容。

列表页与详情页规则如下

该网站的分页规则比较简单，直接修改页码号即可，详情页可以直接通过提取列表页中的连接获取。

https://www.nyato.com/manzhan/?type=expired&p=1
https://www.nyato.com/manzhan/?type=expired&p=2
https://www.nyato.com/manzhan/?type=expired&p=3
……
https://www.nyato.com/manzhan/?type=expired&p=1312

页面存在反爬逻辑

在编写代码的过程中，发现高并发访问目标网站，会出现短暂页面无法加载情况，该场景常规解决方案，使用 IP 代理池。

但本文的学习目的不在反爬，顾采用最笨拙的解决方案，异常抓取。

多次测试发现网站当判定我们是爬虫之后，会限制我们访问页面，但限制时间比较短，并且不会限制 IP，所以当页面出现异常情况时，通过 try except 重新访问页面，中间间隔一定时间，即代码存在如下结构：

try:
	# 代码段
except Exception as e:
    time.sleep(4)
    重新调用函数名(url)
    print(e)

最终运行代码，会出现如下情况，当请求页面出现空数据时，页面重新发起请求，同时停留 4 秒钟。

使用该思路爬取数据比较慢，如果你只需要数据，直接在文末下载即可。

整理需求如下

• 批量生成待抓取列表页；
• requests 请求目标数据；
• lxml 提取目标数据；
• 格式化数据；
• 保存数据。

编码时间

需求整理完毕之后，进入实际编码环节，会发现本篇博客涉及的代码比较简单。学习重点放在 lxml 提取操作的练习。

下述代码中的 USER_AGENTS 可以直接通过搜索引擎获取资源，也可以自己收集整理一份。

import requests
from lxml import etree
from fake_useragent import UserAgent
import time
import re
import random

# USER_AGENTS
USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser;",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36",
]

# 保存文件
def save(long_str):
    try:
        with open(f"exhibition.csv", "a+", encoding="utf-8") as f:
            f.write(long_str)
    except Exception as e:
        print(e)

# 获取详情页数据
def get_detail(url):
    try:
        headers = {"User-Agent": random.choice(USER_AGENTS)}
        res = requests.get(url=url, headers=headers)
        text = res.text
        # 将 html 转换成 Element 对象
        html = etree.HTML(text)
        # 详细地址
        address_detail = html.xpath("//span[@class='fl mr10']/text()")[0]
        # 时间间隔
        time_interval = html.xpath(
            "//div[@class='h25 line25 s6 f14 w100s mb10']/text()")[3].strip()

        # 票价
        ticket_price = html.xpath("//b[@class='f40']/text()")[0]
        # 匹配得分
        score_url = html.xpath("//div[@class='mt10']/img/@src")[0]
        score = re.search(
            r"//static.nyato.cn/expo-image/stars/star-(\d\.\d).png", score_url).group(1)
        # 其它信息
        other = ",".join(html.xpath(
            "//span[@class='sf6 f18 fwb ml15']/text()"))
        return ticket_price, time_interval, address_detail, score, other

    except Exception as e:
        print("详情页BUG")
        print(url)
        time.sleep(4)
        get_detail(url)
        print(e)


def run(url):

    try:
        headers = {"User-Agent": random.choice(USER_AGENTS)}
        res = requests.get(url=url, headers=headers)
        text = res.text
        # 将 html 转换成 Element 对象
        html = etree.HTML(text)
        # xpath 路径提取 @class 为选取 class 属性
        lis = html.xpath("//ul[@class='w980 pt20']/li")

        # 遍历 Elements 节点
        for li in lis:
            href = li.xpath(".//a/@href")[0]
            title = li.xpath(".//a/@title")[0]
            city = li.xpath(".//span[@class='w120 fl']/text()")[0].strip()
            ticket_price, time_interval, address_detail, score, other = get_detail(
                href)
            long_str = f"{href},{title},{city},{ticket_price},{time_interval},{address_detail},{score},{other}\n"
            save(long_str)

    except Exception as e:
        print("列表页BUG")
        print(url)
        time.sleep(4)
        run(url)
        print(e)


if __name__ == '__main__':
    urls = []
    for i in range(1, 1313):
        urls.append(f"https://www.nyato.com/manzhan/?type=expired&p={i}")
    for url in urls:
        print(f"正在抓取{url}")
        run(url)

    print("全部爬取完毕")

上述代码在提取漫展评分时，引入了 re 模块，在字符串提取内容上，正则表达式的适配性还是比较高的。

通过正则直接从图片地址中将评分提取出来，本案例可以这样操作的原因是，分数图片有规则可循，图片连接如下，即分数图片由分数连接而成。

# 3.0 分
//static.nyato.cn/expo-image/stars/star-3.0.png
# 3.5 分
//static.nyato.cn/expo-image/stars/star-3.5.png

上述规则可通过不同的详情页，查看页面源码获得。

下面是正则提取得分部分的代码。

# 匹配得分
score_url = html.xpath("//div[@class='mt10']/img/@src")[0]
score = re.search(r"//static.nyato.cn/expo-image/stars/star-(\d\.\d).png", score_url).group(1)

本篇博客的重点依旧在 lxml 模块使用 XPath 提取数据部分。涉及到的代码如下，其中重点关注如下列表内容：

1. // 从匹配选择的当前节点选择文档中的节点；
2. [@class=xxxx] 匹配属性；
3. @src 提取属性值；
4. text() 匹配标签内部文字。

其余需要掌握的，例如 ./ 选取当前节点，../ 选取当前节点的父节点。

address_detail = html.xpath("//span[@class='fl mr10']/text()")[0]
# 时间间隔
time_interval = html.xpath("//div[@class='h25 line25 s6 f14 w100s mb10']/text()")[3].strip()
# 票价
ticket_price = html.xpath("//b[@class='f40']/text()")[0]
# 匹配得分
score_url = html.xpath("//div[@class='mt10']/img/@src")[0]

抓取结果展示时间

本次抓取的数据，已经上传到 CSDN 下载频道，源码分享在代码频道。

完整代码下载地址：https://codechina.csdn.net/hihell/python120，NO12。