Python爬取APP下载链接的实现方法

首先是准备工作

Python 2.7.11：下载python

Pycharm：下载Pycharm

其中python2和python3目前同步发行，我这里使用的是python2作为环境。Pycharm是一款比较高效的Python IDE，但是需要付费。

实现的基本思路

首先我们的目标网站：安卓市场

点击【应用】，进入我们的关键页面：

跳转到应用界面后我们需要关注三个地方，下图红色方框标出：

首先关注地址栏的URL，再关注免费下载按钮，然后关注底端的翻页选项。点击"免费下载"按钮就会立即下载相应的APP，所以我们的思路就是拿到这个点击下载的连接，就可以直接下载APP了。

编写爬虫

第一个需要解决的点：我们怎么拿到上面说的下载链接？这里不得不介绍下浏览器展示网页的基本原理。说简单点，浏览器是一个类似解析器的工具，它得到HTML等代码的时候会按照相应的规则解析渲染，从而我们能够看到页面。

这里我使用的是谷歌浏览器，对着页面右键，点击"检查"，可以看到网页原本的HTML代码：

看到眼花缭乱的HTML代码不用着急，谷歌浏览器的审查元素有一个好用的小功能，可以帮我们定位页面控件对应的HTML代码

位置：

如上图所示，点击上方矩形框中的小箭头，点击页面对应的位置，在右边的HTML代码中就会自动定位并高亮。

接下来我们定位到下载按钮对应的HTML代码：

可以看到按钮对应的代码中，存在相应的下载链接：【/appdown/com.tecent.mm】，加上前缀，完整的下载链接就是 http://apk.hiapk.com/appdown/com.tecent.mm

首先使用python拿到整个页面的HTML，很简单，使用"requests.get(url)" ，url填入相应网址即可。

接着，在抓取页面关键信息的时候，采取"先抓大、再抓小"的思路。可以看到一个页面有10个APP，在HTML代码中对应10个item：

而每个 li 标签中，又包含各自APP的各个属性（名称、下载链接等）。所以第一步，我们将这10个 li 标签提取出来：

    def geteveryapp(self,source):
      everyapp = re.findall('(<li class="list_item".*?</li>)',source,re.S)
      #everyapp2 = re.findall('(<div class="button_bg button_1 right_mt">.*?</div>)',everyapp,re.S)
      return everyapp

这里用到了简单的正则表达式知识

提取 li 标签中的下载链接：

    def getinfo(self,eachclass):
      info = {}
      str1 = str(re.search('<a href="(.*?)">', eachclass).group(0))
      app_url = re.search('"(.*?)"', str1).group(1)
      appdown_url = app_url.replace('appinfo', 'appdown')
      info['app_url'] = appdown_url
      print appdown_url
      return info

接下来需要说的难点是翻页，点击下方的翻页按钮后我们可以看到地址栏发生了如下变化：

豁然开朗，我们可以在每次的请求中替换URL中对应的id值实现翻页。

    def changepage(self,url,total_page):
      now_page = int(re.search('pi=(\d)', url).group(1))
      page_group = []
      for i in range(now_page,total_page+1):
       link = re.sub('pi=\d','pi=%s'%i,url,re.S)
       page_group.append(link)
      return page_group

爬虫效果

关键位置说完了，我们先看下最后爬虫的效果：

在TXT文件中保存结果如下：

直接复制进迅雷就可以批量高速下载了。

附上全部代码

    #-*_coding:utf8-*-
    import requests
    import re
    import sys
    reload(sys)
    sys.setdefaultencoding("utf-8")

    class spider(object):
     def __init__(self):
      print u'开始爬取内容'
     def getsource(self,url):
      html = requests.get(url)
      return html.text

     def changepage(self,url,total_page):
      now_page = int(re.search('pi=(\d)', url).group(1))
      page_group = []
      for i in range(now_page,total_page+1):
       link = re.sub('pi=\d','pi=%s'%i,url,re.S)
       page_group.append(link)
      return page_group

     def geteveryapp(self,source):
      everyapp = re.findall('(<li class="list_item".*?</li>)',source,re.S)
      return everyapp

     def getinfo(self,eachclass):
      info = {}
      str1 = str(re.search('<a href="(.*?)">', eachclass).group(0))
      app_url = re.search('"(.*?)"', str1).group(1)
      appdown_url = app_url.replace('appinfo', 'appdown')
      info['app_url'] = appdown_url
      print appdown_url
      return info

     def saveinfo(self,classinfo):
      f = open('info.txt','a')
      str2 = "http://apk.hiapk.com"
      for each in classinfo:
       f.write(str2)
       f.writelines(each['app_url'] + '\n')
      f.close()

    if __name__ == '__main__':

     appinfo = []
     url = 'http://apk.hiapk.com/apps/MediaAndVideo?sort=5π=1'
     appurl = spider()
     all_links = appurl.changepage(url, 5)
     for link in all_links:
      print u'正在处理页面' + link
      html = appurl.getsource(link)
      every_app = appurl.geteveryapp(html)
      for each in every_app:
       info = appurl.getinfo(each)
       appinfo.append(info)
     appurl.saveinfo(appinfo)

总结

选取的目标网页相对结构清晰简单，这是一个比较基本的爬虫。代码写的比较乱请见谅，以上就是这篇文章的全部内容了，希望能对大家的学习或者工作带来一定的帮助，如果有问题大家可以留言交流。