掘金15W沸点简单分析(一)

一、另一种方式的爬虫

爬虫通常是：①得到目标网页URL；②发起HTTP请求得到网页数据；③使用各种方式解析网页得到想要的数据；

通常，在第②步，是不会去执行页面中的JS代码的。有些网站，会使用Ajax异步加载一些数据，然后再渲染到页面上的；或者使用JS对页面Dom做一些修改。这样都会导致第②步请求的页面中缺少、甚至是没有目标数据。这就需在获取到网页数据后，执行页面中的JS代码了。

最早是使用phantomjs+selenium。后面Chrome出了headless模式，基本就一直使用Chrome了。处理逻辑大概：①请求获取网页，执行JS代码；②再将处理过的页面数据进行保存；③后续的处理(解析网页获取数据)。

1.1 Selenium使用示例

我们就以掘金征文为例，获取该文章下所有的评论。

注： 虽然可以直接通过接口获取，但我们假设无法直接获取数据，必须执行完JS才能得到目标数据。

使用Selenium + Chrome，首先需要下载与Chrome版本对应的ChromeDriver。

示例代码如下：

self.driver.get(self.article_url)
# 等待评论列表出现
WebDriverWait(self.driver, 10).until(
    EC.presence_of_element_located((By.CLASS_NAME, 'comment-list'))
)
self.save_page()

通过Selenium来操控Chrome加载网页时，通常会遇到这种问题：网络延迟，导致目标数据没有及时下载下来，但此时已将网页保存完毕。最简单的方式是，每次发生加载网页时，调用下time.sleep(5)类似的方式，但这种方式虽然简单但却比较粗暴。更好的办法是使用Selenium提供的WebDriverWait来处理。

官方文档，一定不要错过：selenium-python。

1.2 页面的后续处理

将渲染后的网页保存之后，接下来就要解析提取数据了。这次我们使用XPath来解析数据。

还是先分析下网页

数据所处位置为：//div[@class="comment-list-box"]/div[contains(@class, "comment-list")]/div[@class="item"]。

为了处理方便，咱们仅获取第一级的评论用户和内容。

示例代码如下：

root = etree.HTML(page_source)
comments = root.xpath('//div[@class="comment-list-box"]/div[contains(@class, "comment-list")]/div[@class="item"]')
for comment in comments:
    username = self.fix_content(comment.xpath('.//div[@class="meta-box"]//span[@class="name"]/text()'))
    content = self.fix_content(comment.xpath('.//div[@class="content"]//text()'))
    print(f'{username} --&gt; {content}')

结果数据：

二、掘金沸点的获取

咱们直接看沸点的API接口。

接口分析：

沸点接口地址：https://apinew.juejin.im/recommend_api/v1/short_msg/hot 请求方式：POST 请求参数类型及格式：JSON格式数据，

{
	cursor: "0",  // 游标。 首次请求时为"0"，请求响应中会含有该字段。后续请求直接使用即可
    id_type: 4,  // 沸点类别？？(无关紧要)
    limit: 20,  // 分页大小 
    sort_type: 200  // 某种排序类型？？(无关紧要)
}

然后我们就可以使用Python来模拟请求，获取沸点数据了。

我们使用requests来模拟请求，具体使用请看官方文档。

代码示例：

HOT_URL = 'https://apinew.juejin.im/recommend_api/v1/short_msg/hot'
json_form = {
    'cursor': '0',
    'id_type': 4,
    'limit': 20,
    'sort_type': 200,
}
resp = requests.post(HOT_URL, json=json_form)
print(resp.json())

# 数据可以正常返回
# {'err_no': 0, 'err_msg': 'success', 'data': [{'msg_id': '6864704084000112654', 'msg_Info': {'id': 980761, 'msg_id': '6864704084000112654', 'user_id': '2207475080373639', 'topic_id': '6824710203301167112', 'content': '别去找女朋友了，你的女朋友来了',

2.1 将所有数据保存下来

根据上面的示例，我们优化下代码：

def save_pins(idx=0, cursor='0'):
    json_data = {
        'id_type': 4,
        'sort_type': 200,
        'cursor': cursor,
        'limit': 200  # 该数值无限制，但过大服务器报错，或者出现用户信息缺失等情况
    }
    resp = sess.post(url, json=json_data)
    if resp.ok:
        resp_json = resp.json()
        with open(f'json_data/pins-{idx:04}.json', 'w+') as json_file:
            json_file.write(resp.content.decode('UTF-8'))
        # 是否还有更多
        if resp_json['err_no'] == 0 and resp_json['err_msg'] == 'success':
            logging.debug(f'no error, idx={idx}')
            if resp_json['has_more']:
                logging.debug(f'has more, next idx={idx+1}')
                time.sleep(5)
                save_pins(idx+1, cursor=resp_json['cursor'])
        else:
            # 出了异常
            logging.warning(resp_json['err_msg'])
            logging.debug(f'sleep 10s, retry idx={idx}')
            time.sleep(10)
            save_pins(idx, cursor)

部分数据如下：

源码已上传至GitHub, Gitee。

三、后记

至此，整个热点数据获取已经结束。由于是直接请求接口返回的数据，除了部分数据重复外，几乎不用做任何数据处理。

3.1 后续处理

计划将数据简单处理、存储至MySQL数据库，然后使用superset制作图表。

3.2 针对掘金热点的建议

对分页limit做限制，最大值限制为：20？
针对未登录的情况，对可见数据量进行限制。