数据采集与解析案例之：2020博客之星评选

一头小山猪

发布于 2021-02-20 08:58:20

3420

发布于 2021-02-20 08:58:20

数据采集与解析案例之：2020博客之星评选

一、博客之星

2020年的博客之星已经开始啦，根据规则投票会持续一段时间，但是在活动页面并未有实时排行榜，本文将用爬虫实现数据的采集以及排序，可以直接查看到评比排行~同时，在下也有幸入选博客之星TOP 200，如果你手里还有多余的票票，请不要错过投票的机会，点击阅读原文即可为小猪投上宝贵的N票，不胜感激

二、实现思路

1. 确定数据源

首先我们需要在页面上获得数据，由于每次刷新数据都是会变化的，所以一般都是Ajax请求，我们需要用到开发者工具来查看网络请求。

如何呼出开发者工具

在进行页面分析的时候，浏览器的开发者工具是不必可少的，笔者以蓝狐（火狐浏览器开发版）为例。对于其他的浏览器，主要都是基于Gecko（火狐内核）、Blink（Chrome内核）、Webkit（Safari内核）、Trident（IE内核）来套的壳子，所以整体的呼出方式不会差别很大。首先我们在页面空白处点击右键 -> 点击检查元素

寻找数据源

页面链接：https://bss.csdn.net/m/topic/blog_star2020，打开后切换至网络栏目，点击重新载入：

可以按照类型排序，过滤掉一些静态资源的请求。发现数据来自于一个getUser的接口，返回的数据可以使用JSON格式进行解析。

2. 实现步骤

找到数据源以后，步骤就比较明确了。在获取数据之后进行解析，提取出我们需要的两个字段：博主名称和当前票数，最后再对数据排序输出。我们将使用Python来进行实现，需要先安装scrapy（爬虫框架）和json（方便解析JSON格式数据）两个组件，可以使用如下命令：

pip install scrapy
pip install json

三、实现过程

1. 创建项目

安装好scrapy后，在命令终端中选定一个文件夹，使用如下命令创建一个项目：

scrapy startproject StarRank

其中项目名称为StarRank，创建完成后可以直接使用Pycharm打开，项目结构如下：

2. 数据采集

接下来我们在spiders文件夹中创建一个python文件：star_spider.py，来完成数据的采集。

import scrapy

class StarSpider(scrapy.Spider):
    # 定义爬虫名称，在启动任务时指定
    name = "star"

    def start_requests(self):
        # 声明访问地址链接
        url = "https://bss.csdn.net/m/topic/blog_star2020/getUsers"
        # 发送请求，同时指定回调函数（自定义）
        yield scrapy.FormRequest(url, callback=self.parse)

3. 解析排序

数据接收到之后是一个JSON结构的字符串，我们可以引入json库来快速的解析，同时对数据进行排序，回调函数内容如下：

    def parse(self, response):
        # 获取json数据中的data部分
        data_list = json.loads(response.text)['data']
        # 定义一个字典类型
        dict = {}
        for data in data_list:
            # 提取出博主名称与当前票数，成对儿存放
            dict[data["nick_name"]] = int(data["vote_num"])
        # 使用sorted根据字典的value进行降序排序
        rank = sorted(dict.items(),key=lambda x:x[1],reverse=True)
        i = 1
        # 对元组进行遍历，输出结果
        for name,count in rank:
            print("第" + str(i) + "名票数：" + str(count) + ",博主：" + name)
            i += 1

4. 完整代码

import scrapy
import json

class StarSpider(scrapy.Spider):
    name = "star"

    def start_requests(self):
        url = "https://bss.csdn.net/m/topic/blog_star2020/getUsers"
        yield scrapy.FormRequest(url, callback=self.parse)

    def parse(self, response):
        data_list = json.loads(response.text)['data']
        dict = {}
        for data in data_list:
            dict[data["nick_name"]] = int(data["vote_num"])
        rank = sorted(dict.items(),key=lambda x:x[1],reverse=True)
        i = 1
        for name,count in rank:
            print("第" + str(i) + "名票数：" + str(count) + ",博主：" + name)
            i += 1

代码编写完成后，进入到项目的根目录，即spiders文件夹的上一级目录，使用如下命令即可启动项目：