分析了 7 万款 App,全是没想到

本文投稿自公众号第2大脑。

摘要:使用 Scrapy 爬取豌豆荚全网 70,000+ App,并进行探索性分析。

写在前面:若对数据抓取部分不感兴趣,可以直接下拉到数据分析部分。

1 分析背景

之前我们使用了 Scrapy 爬取并分析了酷安网 6000+ App,为什么这篇文章又在讲抓 App 呢?

因为我喜欢折腾 App,哈哈。当然,主要是因为下面这几点:

第一、之前抓取的网页很简单

在抓取酷安网时,我们使用 for 循环,遍历了几百页就完成了所有内容的抓取,非常简单,但现实往往不会这么 easy,有时我们要抓的内容会比较庞大,比如抓取整个网站的数据,为了增强爬虫技能,所以本文选择了「豌豆荚」这个网站。

目标是: 爬取该网站所有分类下的 App 信息并下载 App 图标,数量在 70,000 左右,比酷安升了一个数量级。

第二、再次练习使用强大的 Scrapy 框架

之前只是初步地使用了 Scrapy 进行抓取,还没有充分领会到 Scrapy 有多么牛逼,所以本文尝试深入使用 Scrapy,增加随机 UserAgent、代理 IP 和图片下载等设置。

第三、对比一下酷安和豌豆荚两个网站

相信很多人都在使用豌豆荚下载 App,我则使用酷安较多,所以也想比较一下这两个网站有什么异同点。

话不多说,下面开始抓取流程。

▌分析目标

首先,我们来了解一下要抓取的目标网页是什么样的。

可以看到该网站上的 App 分成了很多类,包括:「应用播放」、「系统工具」等,一共有 14 个大类别,每个大类下又细分了多个小类,例如,影音播放下包括:「视频」、「直播」等。

点击「视频」进入第二级子类页面,可以看到每款 App 的部分信息,包括:图标、名称、安装数量、体积、评论等。

在之前的一篇文章中(见下方链接),我们分析了这个页面:采用 AJAX 加载,GET 请求,参数很容易构造,但是具体页数不确定,最后分别使用了 For 和 While 循环抓取了所有页数的数据。

∞ Python For 和 While 循环爬取不确定页数的网页

接着,我们可以再进入第三级页面,也就是每款 App 的详情页,可以看到多了下载数、好评率、评论数这几样参数,抓取思路和第二级页面大同小异,同时为了减小网站压力,所以 App 详情页就不抓取了。

所以,这是一个分类多级页面的抓取问题,依次抓取每一个大类下的全部子类数据。

学会了这种抓取思路,很多网站我们都可以去抓,比如很多人爱爬的「豆瓣电影」也是这样的结构。

▌分析内容

数据抓取完成后,本文主要是对分类型数据的进行简单的探索性分析,包括这么几个方面:

  • 下载量最多 / 最少的 App 总排名
  • 下载量最多 / 最少的 App 分类 / 子分类排名
  • App 下载量区间分布
  • App 名称重名的有多少
  • 和酷安 App 进行对比

▌分析工具

  • Python
  • Scrapy
  • MongoDB
  • Pyecharts
  • Matplotlib

2 数据抓取

▌网站分析

我们刚才已经初步对网站进行了分析,大致思路可以分为两步,首先是提取所有子类的 URL 链接,然后分别抓取每个 URL 下的 App 信息就行了。

可以看到,子类的 URL 是由两个数字构成,前面的数字表示分类编号,后面的数字表示子分类编号,得到了这两个编号,就可以抓取该分类下的所有 App 信息,那么怎么获取这两个数值代码呢?

回到分类页面,定位查看信息,可以看到分类信息都包裹在每个 li 节点中,子分类 URL 则又在子节点 a 的 href 属性中,大分类一共有 14 个,子分类一共有 88 个

到这儿,思路就很清晰了,我们可以用 CSS 提取出全部子分类的 URL,然后分别抓取所需信息即可。

另外还需注意一点,该网站的 首页信息是静态加载的,从第 2 页开始是采用了 Ajax 动态加载,URL 不同,需要分别进行解析提取。

▌Scrapy抓取

我们要爬取两部分内容,一是 APP 的数据信息,包括前面所说的:名称、安装数量、体积、评论等,二是下载每款 App 的图标,分文件夹进行存放。

由于该网站有一定的反爬措施,所以我们需要添加随机 UA 和代理 IP,关于这两个知识点,我此前单独写了两篇文章进行铺垫,传送门:

∞ Scrapy 中设置随机 User-Agent 的方法汇总

∞ Python 爬虫的代理 IP 设置方法汇总

这里随机 UA 使用 scrapy-fake-useragent 库,一行代码就能搞定,代理 IP 直接上阿布云付费代理,几块钱搞定简单省事。

下面,就直接上代码了。

items.py

 1import scrapy
 2
 3class WandoujiaItem(scrapy.Item):
 4    cate_name = scrapy.Field() #分类名
 5    child_cate_name = scrapy.Field() #分类编号
 6    app_name = scrapy.Field()   # 子分类名
 7    install = scrapy.Field()    # 子分类编号
 8    volume = scrapy.Field()     # 体积
 9    comment = scrapy.Field()    # 评论
10    icon_url = scrapy.Field()   # 图标url

middles.py

中间件主要用于设置代理 IP。

 1import base64
 2proxyServer = "http://http-dyn.abuyun.com:9020"
 3proxyUser = "你的信息"
 4proxyPass = "你的信息"
 5
 6proxyAuth = "Basic " + base64.urlsafe_b64encode(bytes((proxyUser + ":" + proxyPass), "ascii")).decode("utf8")
 7class AbuyunProxyMiddleware(object):
 8    def process_request(self, request, spider):
 9        request.meta["proxy"] = proxyServer
10        request.headers["Proxy-Authorization"] = proxyAuth
11        logging.debug('Using Proxy:%s'%proxyServer)

pipelines.py

该文件用于存储数据到 MongoDB 和下载图标到分类文件夹中。

存储到 MongoDB:

 1MongoDB 存储
 2class MongoPipeline(object):
 3    def __init__(self,mongo_url,mongo_db):
 4        self.mongo_url = mongo_url
 5        self.mongo_db = mongo_db
 6
 7    @classmethod
 8    def from_crawler(cls,crawler):
 9        return cls(
10            mongo_url = crawler.settings.get('MONGO_URL'),
11            mongo_db = crawler.settings.get('MONGO_DB')
12        )
13
14    def open_spider(self,spider):
15        self.client = pymongo.MongoClient(self.mongo_url)
16        self.db = self.client[self.mongo_db]
17
18    def process_item(self,item,spider):
19        name = item.__class__.__name__
20        # self.db[name].insert(dict(item))
21        self.db[name].update_one(item, {'$set': item}, upsert=True)
22        return item
23
24    def close_spider(self,spider):
25        self.client.close()

按文件夹下载图标:

 1# 分文件夹下载
 2class ImagedownloadPipeline(ImagesPipeline):
 3    def get_media_requests(self,item,info):
 4        if item['icon_url']:
 5            yield scrapy.Request(item['icon_url'],meta={'item':item})
 6
 7    def file_path(self, request, response=None, info=None):
 8        name = request.meta['item']['app_name']
 9        cate_name = request.meta['item']['cate_name']
10        child_cate_name = request.meta['item']['child_cate_name']
11
12        path1 = r'/wandoujia/%s/%s' %(cate_name,child_cate_name)
13        path = r'{}\{}.{}'.format(path1, name, 'jpg')
14        return path
15
16    def item_completed(self,results,item,info):
17        image_path = [x['path'] for ok,x in results if ok]
18        if not image_path:
19            raise DropItem('Item contains no images')
20        return item

settings.py

 1BOT_NAME = 'wandoujia'
 2SPIDER_MODULES = ['wandoujia.spiders']
 3NEWSPIDER_MODULE = 'wandoujia.spiders'
 4
 5MONGO_URL = 'localhost'
 6MONGO_DB = 'wandoujia'
 7
 8# 是否遵循机器人规则
 9ROBOTSTXT_OBEY = False
10# 下载设置延迟 由于买的阿布云一秒只能请求5次,所以每个请求设置了 0.2s延迟
11DOWNLOAD_DELAY = 0.2
12
13DOWNLOADER_MIDDLEWARES = {
14    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
15    'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 100, # 随机UA
16    'wandoujia.middlewares.AbuyunProxyMiddleware': 200 # 阿布云代理
17    )
18
19ITEM_PIPELINES = {
20   'wandoujia.pipelines.MongoPipeline': 300,
21   'wandoujia.pipelines.ImagedownloadPipeline': 400,
22}
23
24# URL不去重
25DUPEFILTER_CLASS = 'scrapy.dupefilters.BaseDupeFilter'

wandou.py

主程序这里列出关键的部分:

 1def __init__(self):
 2        self.cate_url = 'https://www.wandoujia.com/category/app'
 3        # 子分类首页url
 4        self.url = 'https://www.wandoujia.com/category/'
 5        # 子分类 ajax请求页url
 6        self.ajax_url = 'https://www.wandoujia.com/wdjweb/api/category/more?'
 7        # 实例化分类标签
 8        self.wandou_category = Get_category()
 9def start_requests(self):
10        yield scrapy.Request(self.cate_url,callback=self.get_category)
11
12def get_category(self,response):    
13        cate_content = self.wandou_category.parse_category(response)
14        # ...

这里,首先定义几个 URL,包括:分类页面、子分类首页、子分类 AJAX 页,也就是第 2 页开始的 URL,然后又定义了一个类 Get_category() 专门用于提取全部的子分类 URL,稍后我们将展开该类的代码。

程序从 start_requests 开始运行,解析首页获得响应,调用 get_category() 方法,然后使用 Get_category() 类中的 parse_category() 方法提取出所有 URL,具体代码如下:

 1class Get_category():
 2    def parse_category(self, response):
 3        category = response.css('.parent-cate')
 4        data = [{
 5            'cate_name': item.css('.cate-link::text').extract_first(),
 6            'cate_code': self.get_category_code(item),
 7            'child_cate_codes': self.get_child_category(item),
 8        } for item in category]
 9        return data
10
11    # 获取所有主分类标签数值代码
12    def get_category_code(self, item):
13        cate_url = item.css('.cate-link::attr("href")').extract_first()
14        pattern = re.compile(r'.*/(\d+)')  # 提取主类标签代码
15        cate_code = re.search(pattern, cate_url)
16        return cate_code.group(1)
17
18    # 获取所有子分类名称和编码
19    def get_child_category(self, item):
20        child_cate = item.css('.child-cate a')
21        child_cate_url = [{
22            'child_cate_name': child.css('::text').extract_first(),
23            'child_cate_code': self.get_child_category_code(child)
24        } for child in child_cate]
25        return child_cate_url
26
27    # 正则提取子分类编码
28    def get_child_category_code(self, child):
29        child_cate_url = child.css('::attr("href")').extract_first()
30        pattern = re.compile(r'.*_(\d+)')  # 提取小类标签编号
31        child_cate_code = re.search(pattern, child_cate_url)
32        return child_cate_code.group(1)

这里,除了分类名称 cate_name 可以很方便地直接提取出来,分类编码和子分类的子分类的名称和编码,我们使用了 get_category_code() 等三个方法进行提取。提取方法使用了 CSS 和正则表达式,比较简单。

最终提取的分类名称和编码结果如下,利用这些编码,我们就可以构造 URL 请求开始提取每个子分类下的 App 信息了。

 1{'cate_name': '影音播放', 'cate_code': '5029', 'child_cate_codes': [
 2    {'child_cate_name': '视频', 'child_cate_code': '716'}, 
 3    {'child_cate_name': '直播', 'child_cate_code': '1006'}, 
 4    ...
 5    ]}, 
 6{'cate_name': '系统工具', 'cate_code': '5018', 'child_cate_codes': [
 7    {'child_cate_name': 'WiFi', 'child_cate_code': '895'}, 
 8    {'child_cate_name': '浏览器', 'child_cate_code': '599'}, 
 9    ...
10    ]}, 
11...

接着前面的 get_category() 继续往下写,提取 App 的信息:

 1def get_category(self,response):    
 2        cate_content = self.wandou_category.parse_category(response)
 3        # ...
 4        for item in cate_content:
 5            child_cate = item['child_cate_codes']
 6            for cate in child_cate:
 7                cate_code = item['cate_code']
 8                cate_name = item['cate_name']
 9                child_cate_code = cate['child_cate_code']
10                child_cate_name = cate['child_cate_name']
11
12                page = 1 # 设置爬取起始页数
13                if page == 1:
14                    # 构造首页url
15                    category_url = '{}{}_{}' .format(self.url, cate_code, child_cate_code)
16                else:
17                    params = {
18                        'catId': cate_code,  # 类别
19                        'subCatId': child_cate_code,  # 子类别
20                        'page': page,
21                        }
22                    category_url = self.ajax_url + urlencode(params)
23                dict = {'page':page,'cate_name':cate_name,'cate_code':cate_code,'child_cate_name':child_cate_name,'child_cate_code':child_cate_code}
24                yield scrapy.Request(category_url,callback=self.parse,meta=dict)

这里,依次提取出全部的分类名称和编码,用于构造请求的 URL。

由于首页的 URL 和第 2 页开始的 URL 形式不同,所以使用了 if 语句分别进行构造。接下来,请求该 URL 然后调用 self.parse() 方法进行解析,这里使用了 meta 参数用于传递相关参数。

 1def parse(self, response):
 2        if len(response.body) >= 100:  # 判断该页是否爬完,数值定为100是因为无内容时长度是87
 3            page = response.meta['page']
 4            cate_name = response.meta['cate_name']
 5            cate_code = response.meta['cate_code']
 6            child_cate_name = response.meta['child_cate_name']
 7            child_cate_code = response.meta['child_cate_code']
 8
 9            if page == 1:
10                contents = response
11            else:
12                jsonresponse = json.loads(response.body_as_unicode())
13                contents = jsonresponse['data']['content']
14                # response 是json,json内容是html,html 为文本不能直接使用.css 提取,要先转换
15                contents = scrapy.Selector(text=contents, type="html")
16
17            contents = contents.css('.card')
18            for content in contents:
19                # num += 1
20                item = WandoujiaItem()
21                item['cate_name'] = cate_name
22                item['child_cate_name'] = child_cate_name
23                item['app_name'] = self.clean_name(content.css('.name::text').extract_first())  
24                item['install'] = content.css('.install-count::text').extract_first()
25                item['volume'] = content.css('.meta span:last-child::text').extract_first()
26                item['comment'] = content.css('.comment::text').extract_first().strip()
27                item['icon_url'] = self.get_icon_url(content.css('.icon-wrap a img'),page)
28                yield item
29
30            # 递归爬下一页
31            page += 1
32            params = {
33                    'catId': cate_code,  # 大类别
34                    'subCatId': child_cate_code,  # 小类别
35                    'page': page,
36                    }
37            ajax_url = self.ajax_url + urlencode(params)
38            dict = {'page':page,'cate_name':cate_name,'cate_code':cate_code,'child_cate_name':child_cate_name,'child_cate_code':child_cate_code}
39            yield scrapy.Request(ajax_url,callback=self.parse,meta=dict)    

最后,parse() 方法用来解析提取最终我们需要的 App 名称、安装量等信息,解析完成一页后,page 进行递增,然后重复调用 parse() 方法循环解析,直到解析完全部分类的最后一页。

最终,几个小时后,我们就可以完成全部 App 信息的抓取,我这里得到 73,755 条信息和 72,150 个图标,两个数值不一样是因为有些 App 只有信息没有图标。

图标下载:

下面将对提取的信息,进行简单的探索性分析。

3 数据分析

▌总体情况

首先来看一下 App 的安装量情况,毕竟 70000 多款 App,自然很感兴趣哪些 App 使用地最多,哪些又使用地最少

代码实现如下:

 1plt.style.use('ggplot')
 2colors = '#6D6D6D' #字体颜色
 3colorline = '#63AB47'  #红色CC2824  #豌豆荚绿
 4fontsize_title = 20
 5fontsize_text = 10
 6
 7# 下载量总排名
 8def analysis_maxmin(data):
 9    data_max = (data[:10]).sort_values(by='install_count')
10    data_max['install_count'] = (data_max['install_count'] / 100000000).round(1)
11    data_max.plot.barh(x='app_name',y='install_count',color=colorline)
12    for y, x in enumerate(list((data_max['install_count']))):
13        plt.text(x + 0.1, y - 0.08, '%s' %
14                 round(x, 1), ha='center', color=colors)
15
16    plt.title('安装量最多的 10 款 App ?',color=colors)
17    plt.xlabel('下载量(亿次)')
18    plt.ylabel('App')
19    plt.tight_layout()
20    # plt.savefig('安装量最多的App.png',dpi=200)
21    plt.show()

看了上图,有两个「没想到」:

  • 排名第一的居然是一款手机管理软件 对豌豆荚网上的这个第一名感到意外,一是、好奇大家都那么爱手机清理或者怕中毒么?毕竟,我自己的手机都「裸奔」了好些年;二是、第一名居然不是鹅厂的其他产品,比如:微信或者QQ。
  • 榜单放眼望去,以为会出现的没有出现,没有想到的却出现了 前十名中,居然出现了书旗小说、印客这些比较少听过的名字,而国民 App 微信、支付宝等甚至都没有出现在这个榜单中。

带着疑问和好奇,分别找到了「腾讯手机管家」和「微信」两款 App 的主页:

腾讯手机管家下载和安装量:

微信下载和安装量:

这是什么情况???

腾讯管家 3 亿多的下载量等同于安装量,而微信 20 多亿的下载量,只有区区一千多万的安装量,两组数据对比,大致反映了两个问题:

  • 要么是腾讯管家的下载量实际并没有那么多
  • 要么是微信的下载量写少了

不管是哪个问题,都反映了一个问题:该网站做得不够走心啊

为了证明这个观点,将前十名的安装量和下载量都作了对比,发现很多 App 的安装量和下载量是一样的,也就是说:这些 App 的实际安装量并没有那么多,而如果这样的话,那么这份榜单就有很大水分了。

难道,辛辛苦苦爬了那么久,就得到这样的结果?

不死心,接着再看看安装量最少的 App 是什么情况,这里找出了其中最少的 10 款:

扫了一眼,更加没想到了:

「QQ 音乐」竟然是倒数第一,只有 3 次安装量!

这和刚刚上市、市值千亿的 QQ 音乐是同一款产品?

再次核实了一下:

没有看错,是写着 3人安装!

这是已经不走心到什么程度了?这个安装量,鹅厂还能「用心做好音乐」?

说实话,到这儿已经不想再往下分析下去了,担心爬扒出更多没想到的东西,不过辛苦爬了这么久,还是再往下看看吧。

看了首尾,我们再看看整体,了解一下全部 App 的安装数量分布,这里去除了有很大水分的前十名 App。

很惊讶地发现,竟然有 多达 67,195 款,占总数的 94% 的 App 的安装量不足 1万!

如果这个网站的所有数据都是真的话,那么上面排名第一的手机管家,它一款就差不多抵得上这 6 万多款 App 的安装量!

对于多数 App 开发者,只能说:现实很残酷,辛辛苦苦开发出来的 App,用户不超过 1万人的可能性高达近 95%

代码实现如下:

 1def analysis_distribution(data):
 2    data = data.loc[10:,:]
 3    data['install_count'] = data['install_count'].apply(lambda x:x/10000)
 4    bins = [0,1,10,100,1000,10000]
 5    group_names = ['1万以下','1-10万','10-100万','100-1000万','1000万-1亿']
 6    cats = pd.cut(data['install_count'],bins,labels=group_names)
 7    cats = pd.value_counts(cats)
 8    bar = Bar('App 下载数量分布','高达 94% 的 App 下载量低于1万')
 9    bar.use_theme('macarons')
10    bar.add(
11        'App 数量',
12        list(cats.index),
13        list(cats.values),
14        is_label_show = True,
15        xaxis_interval = 0,
16        is_splitline_show = 0,
17        )
18    bar.render(path='App下载数量分布.png',pixel_ration=1)

▌分类情况

下面,我们来看看各分类下的 App 情况,不再看安装量,而看数量,以排出干扰。

可以看到 14 个大分类中,每个分类的 App 数量差距都不大,数量最多的「生活休闲」是「摄影图像」的两倍多一点。

接着,我们进一步看看 88 个子分类的 App 数量情况,筛选出数量最多和最少的 10 个子类:

可以发现两点有意思的现象:

  • 「收音机」类别 App 数量最多,达到 1,300 多款 这个很意外,当下收音机完全可以说是个老古董了,居然还有那么人去开发。
  • App 子类数量差距较大 最多的「收音机」是最少的「动态壁纸」近 20 倍,如果我是一个 App 开发者,那我更愿意去尝试开发些小众类的 App,竞争小一点,比如:「背单词」、「小儿百科」这些。

看完了总体和分类情况,突然想到一个问题:这么多 App,有没有重名的呢?

惊奇地发现,叫「一键锁屏」的 App 多达 40 款,这个功能 App 很难再想出别的名字了么? 现在很多手机都支持触控锁屏了,比一键锁屏操作更加方便。

接下来,我们简单对比下豌豆荚和酷安两个网站的 App 情况。

▌对比酷安

二者最直观的一个区别是在 App 数量上,豌豆荚拥有绝对的优势,达到了酷安的十倍之多,那么我们自然感兴趣:

豌豆荚是否包括了酷安上所有的 App ?

如果是,「你有的我都有,你没有的我也有」,那么酷安就没什么优势了。统计之后,发现豌豆荚 仅包括了 3,018 款,也就是一半左右,剩下的另一半则没有包括。

这里面固然存在两个平台上 App 名称不一致的现象,但更有理由相信 酷安很多小众的精品 App 是独有的,豌豆荚里并没有。

代码实现如下:

 1include = data3.shape[0]
 2notinclude = data2.shape[0] - data3.shape[0]
 3sizes= [include,notinclude]
 4labels = [u'包含',u'不包含']
 5explode = [0,0.05]
 6plt.pie(
 7    sizes,
 8    autopct = '%.1f%%',
 9    labels = labels,
10    colors = [colorline,'#7FC161'], # 豌豆荚绿
11    shadow = False,
12    startangle = 90,
13    explode = explode,
14    textprops = {'fontsize':14,'color':colors}
15)
16plt.title('豌豆荚仅包括酷安上一半的 App 数量',color=colorline,fontsize=16)
17plt.axis('equal')
18plt.axis('off')
19plt.tight_layout()
20plt.savefig('包含不保包含对比.png',dpi=200)
21plt.show()

接下来,我们看看所包含的 App 当中,在两个平台上的下载量是怎么样的:

可以看到,两个平台上 App 下载数量差距还是很明显。

最后,我面再看看豌豆荚上没有包括哪些APP:

发现很多神器都没有包括,比如:RE、绿色守护、一个木函等等。豌豆荚和酷安的对比就到这里,如果用一句话来总结,我可能会说:

豌豆荚太牛逼了, App 数量是酷安的十倍,所以我选酷安。

以上,就是利用 Scrapy 爬取分类多级页面并进行分析的一次实战。最后,点击阅读原文跳转作者博客噢。

这么硬的干货,不给个好看?!

本文分享自微信公众号 - 小詹学Python(xiaoxiaozhantongxue)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-01-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券