超酷！我不写一行代码，爬取GitHub上几万的Python库

标签：delay   exp   rap   等等   des   还需   script   一起   rip   

菜鸟独白
爬虫很有趣，很多同学都在学爬虫，其实爬虫学习有一定的成本，需要考虑静态和动态网页，有一堆的库需要掌握，复杂的需要用scrapy框架，或者用selenium爬取,甚至要考虑反爬策略。如果你不经常爬数据，偶尔用用的话，有一种神器可以非常快速的爬取，分分种上手而且效果很不错的。今天我们就来介绍一下这款神奇"WebScrapy"

                               安装WebScrapy

跟其他的第三方的数据采集器相比，WebScrapy是一款Google chrome的浏览器的插件，安装成本非常小.直接去WebScrapy官网下载，也可以在chrome里面的store下载.

安装完成之后，你就可以在你的chrome浏览器上看到一个小的蜘蛛网的图标

                             爬取Github上的Python库

大名鼎鼎的Github上有很多好玩的库，有几十万个repo.爬取的方法有很多，但是用webscrape爬取非常简单，几分钟就能完成！相比之下如果写一个代码去爬取的就是非常熟练的老手，也需要半个小时才能完成，代码还需要调试。可见神器真的非常方便，成本非常的低，下面我们一步一步来讲解:

1.目标网站分析
Github的网站结构非常简单，也没有啥反爬虫的策略，我们在主页搜索Python就会进入Python相关的主题页面

里面有关于Python的Repo近60万个，每一个都有名字，多少颗星，更新时间等等，非常工整的格式.

2.url分析
上面的类别有很多比如Repositories, Code这样的，我们挑其中的一种点击查看：

• p=1(表示page为第一页)
• q=python(表示查询的是Python)
• type=Repositories(表示查的Repo)
• 然后看一下页面最底端有100页.
  
  了解上面的url规则之后，其他的网页只要改改上面的参数就行了，比如第2页，
  https://github.com/search?p=2&q=Python&type=Repositories&utf8=%E2%9C%93
  好下面我们开始爬网页.

3.启动Webscrapy
网页空白处点击右键选择检查，会进入我们属性网页审查元素的那个界面，在最末尾多一个webscraper菜单，点击Create sitemap创建一个sitemap

接着我们填入名字和url的地址，这里的url规则非常简单，我们可以直接构造出100个url的网页,名字可以随便取我们就叫github

webscrapy会根据url的规则爬取每一页的内容，类似一个循环。

4.爬取每一页的内容
Github上的Python的库都是一个一个规整的大列表，webscrapy支持很多类型的不同网页元素的爬取，比如文本，超链接，图片，Element等等，真是用心良苦啊，考虑的非常周全.
1). 增加一个selector
选择我们的Sitemap是Github,然后开始增加一个selector

2).创建item

• 首先id取一个名字:item
• 然后选择Type里面，我们选择Element
• 接着选Selector 这个最简单，就是去网页上点点，这里面我是把每一行的Python库(包括名字，多少颗星，发布时间等等)全部都在一个红色框里
• 最后点击Done selecting,不要激动哈，记得点Save selector保存.

3).在item里面选择标题，时间，多少颗星

上面我创建了item，item就想是一个收纳架里面有我们需要的内容，我们只需要在这个收纳架上取我们需要的内容，比如标题，时间等等

4).在item下创建标题

过程和创建item的非常类似，只是Type选择Text,然后点击Selector从上面的橘黄色的框中选标题,然后点击Done selecting,记得保存.(注意这里的Parents Selector 选的item),大家不要小看这个Parent Selector,会有大用场.

5).类似的我们选取库的description,多少颗，时间元素

5.开始爬取
万事具备，我们可以开始愉快的爬取了，只需要点击Sitemap下面的Scrape就可以了。接着会弹出一个请求间隔时间(Request nterval ms) 2秒和页面下载等待时间(Page load delay ms)500，我们都用默认参数就可以了

1).看运行结果
WebScrapy会从第100页开始从后往前一页一页的爬取，这个时候你可以倒杯茶，慢悠悠的边喝茶边等待结果,爬取100页大概需要几分钟的时间.

可以看到我们非常方便的获取的Python库的名字，多少颗星，时间和描述，是不是很简单啊，现在还差最后一招，保存结果。

2). 保存结果
上面的结果是在内存里面的，最后我们需要保存到文件里面，webscraper已经帮我们准备好了，点击sitemap里面的Export data as CSV,然后就会自动生成一个github.csv文件，我们下载就行了

结论：

---

是不是非常的爽啊，你只要构造多个url就可以爬几万的库,webscrapy对于爬取市面上80%的页面都是非常方便和简单，不用写一行代码，分分钟搞定！对于数据分析的人员来说简直就是福音啊，但是webscrapy也是有利有弊，每一种技术都有它的使用范围.我用它有一段时间了，至少有3个缺点，欢迎大家留言跟我一起讨论.

超酷！我不写一行代码，爬取GitHub上几万的Python库

标签：delay   exp   rap   等等   des   还需   script   一起   rip   

原文地址：https://blog.51cto.com/15009341/2553569