R语言抓包实战——知乎live二级页面获取

之前曾经写过一篇关于知乎live课程信息爬取的短文，那个直接遍历的知乎live主页上展示的部分课程，仅仅是很小的一部分。

今日这一篇将是该小项目的升级版，直接对live主页的课程按照模块进行二级页面的遍历，这样可以抓取更加丰富的课程信息，本次一共获取课程数目将近800+

对于课程页抓包分析详情，这里不再赘述，想要了解的可以看这一篇旧文，本篇内容仅对二级页面的遍历思路进行整理。

因为课程数相对较多，这里使用cookie直接登录，需要获取cookie值。

library("httr") 
library("jsonlite")
library("httr")
library("magrittr")
library("plyr")
library("rlist")

一级页面遍历，获取各个模块课程主题信息以及其中的课程id值。

按照以往的抓包流程，一级课程模块的抓取函数如下：

mylive <- function(){
    baseurl<-"https://api.zhihu.com/lives/special_lists"
    header <- c(
          'Content-Type'='application/json; charset=utf-8', 
         'User-Agent'='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36',
          'Referer'='https://www.zhihu.com/lives/specials',
          'Cookie' = "请copy自己浏览器中知乎网页cookie"
          )
    payload<-list(
        'limit'=10,
        'offset'=0,
        'subtype'='special_list'
        )
    i = 0
    myresult <- data.frame()
    while (TRUE){
        ###每次请求offset值偏移10个单位
        payload['offset'] = payload[['offset']] %>% `+`(10*i)
        tryCatch({
        r <- GET(baseurl,add_headers(.headers =header),query =payload, encode="json")
        myresult <-r %>% content(as="text") %>% fromJSON(flatten = TRUE) %>% `[[`(3) %>% rbind(myresult,.)
        cat(sprintf("正在处理第【%d】页！",i),sep = "n")
        },error = function(e){
        cat(sprintf("第【%d】页抓取失败!",i),sep = "n")
        })
        ###通过抓包返回值中的状态信息确定是否应该跳出循环
        if ( r %>% content(as="text") %>% fromJSON(flatten = TRUE) %>% `[[`(2) %>% `[[`(1) == TRUE) break     
        Sys.sleep(runif(1,0.5,1.5))
        i = i +1
    }
    cat("all page is OK!!!",sep = "n")
    return (myresult)     
}

执行代码

system.time( myresult <- mylive() )

以上我抓到了一级课程模块的信息，其中就含有所有课程的id值，我们获取到id值之后，使用id值来遍历每一个课程模块（id值）下的子课程信息。

过程与上述一级页面的遍历过程基本一致。

定义一个子页面遍历函数，每输入一个id值，该函数即可通过内置的逻辑函数自动判断该模块下是否遍历到尽头，如果子页面遍历完了，则跳出循环，并返回所有课程数据，否则继续。

outdata <- function(id){
    baseurl<-sprintf("https://api.zhihu.com/lives/special_lists/%s/lives",id)
    header <- c(
          'Content-Type'='application/json; charset=utf-8',
          'User-Agent'='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36',
          'Referer'=sprintf('https://www.zhihu.com/lives/specials/%s',id),
          'Cookie' = Cookie
          )
    payload<-list(
        'limit'=10,
        'offset'=0,
        'subtype'='special_list'
        )

    myresult <- data.frame()
    i = 0
    while (TRUE){
        payload['offset'] = payload[['offset']] %>% `+`(10*i)
        tryCatch({
        r <- GET(baseurl,add_headers(.headers =header),query =payload, encode="json")
        myresult <-r %>% content(as="text") %>% fromJSON(flatten = TRUE) %>% `[[`(3) %>% rbind(myresult,.)
        })
        if ( r %>% content(as="text") %>% fromJSON(flatten = TRUE) %>% `[[`(2) %>% `[[`(1) == TRUE) break     
        Sys.sleep(runif(1,0.5,1.5))
        i = i +1
    }
     return (myresult)     
}

使用一个循环来执行以上子页面遍历函数。

fulloutdata <- function(){
    mydatafull <- data.frame()
    i = 1
    for (id in ids){
        tryCatch({
        mydatafull <- outdata(id) %>% rbind(mydatafull,.)
        cat(sprintf("正在处理任务【%s】",id),sep = "n")
        Sys.sleep(runif(1,0.5,1.5))   
        },error = function(e){
        cat(sprintf("任务【%s】处理失败!",i),sep = "n")
        i = i +1
        })
    }
    cat("have done!",sep = "n")
    cat(sprintf("一共有【i】个任务处理失败！",i),sep = "n")
    return(mydatafull)
 }

执行二级页面遍历函数

system.time(mydatalast <- fulloutdata())

将最终返回数据存入mongodb

library("rmongodb")
mongo <- mongo.create(host = "localhost")
bson <- mongo.bson.from.list(mydatalast)
mongo.insert(mongo,"rmongo_test.",mydatalast)
list.save(mydatalast,"D:/R/File/liveinfo.json")