Python爬取APP下載鏈接的實現(xiàn)方法

更新時間：2016年09月30日 15:41:25 作者：CaptainXero

這篇文章主要實現(xiàn)的是批量下載安卓APP。顯然用手點是不科學的。于是嘗試用Python寫了一個半自動化的腳本。所謂半自動化，就是把下載鏈接批量抓取下來，然后一起貼到迅雷里進行下載，這樣可以快速批量下載。有需要的朋友們可以一起看看吧。

首先是準備工作

Python 2.7.11：下載python

Pycharm：下載Pycharm

其中python2和python3目前同步發(fā)行，我這里使用的是python2作為環(huán)境。Pycharm是一款比較高效的Python IDE，但是需要付費。

實現(xiàn)的基本思路

首先我們的目標網(wǎng)站：安卓市場

點擊【應用】，進入我們的關鍵頁面：

跳轉到應用界面后我們需要關注三個地方，下圖紅色方框標出：

首先關注地址欄的URL，再關注免費下載按鈕，然后關注底端的翻頁選項。點擊“免費下載”按鈕就會立即下載相應的APP，所以我們的思路就是拿到這個點擊下載的連接，就可以直接下載APP了。

編寫爬蟲

第一個需要解決的點：我們怎么拿到上面說的下載鏈接？這里不得不介紹下瀏覽器展示網(wǎng)頁的基本原理。說簡單點，瀏覽器是一個類似解析器的工具，它得到HTML等代碼的時候會按照相應的規(guī)則解析渲染，從而我們能夠看到頁面。

這里我使用的是谷歌瀏覽器，對著頁面右鍵，點擊“檢查”，可以看到網(wǎng)頁原本的HTML代碼：

看到眼花繚亂的HTML代碼不用著急，谷歌瀏覽器的審查元素有一個好用的小功能，可以幫我們定位頁面控件對應的HTML代碼

位置：

如上圖所示，點擊上方矩形框中的小箭頭，點擊頁面對應的位置，在右邊的HTML代碼中就會自動定位并高亮。

接下來我們定位到下載按鈕對應的HTML代碼：

可以看到按鈕對應的代碼中，存在相應的下載鏈接：【/appdown/com.tecent.mm】，加上前綴，完整的下載鏈接就是 http://apk.hiapk.com/appdown/com.tecent.mm

首先使用python拿到整個頁面的HTML，很簡單，使用“requests.get(url) ” ，url填入相應網(wǎng)址即可。

接著，在抓取頁面關鍵信息的時候，采取“先抓大、再抓小”的思路?？梢钥吹揭粋€頁面有10個APP，在HTML代碼中對應10個item：

而每個 li 標簽中，又包含各自APP的各個屬性（名稱、下載鏈接等）。所以第一步，我們將這10個 li 標簽提取出來：

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

這里用到了簡單的正則表達式知識

提取 li 標簽中的下載鏈接：

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

接下來需要說的難點是翻頁，點擊下方的翻頁按鈕后我們可以看到地址欄發(fā)生了如下變化：

豁然開朗，我們可以在每次的請求中替換URL中對應的id值實現(xiàn)翻頁。

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

爬蟲效果

關鍵位置說完了，我們先看下最后爬蟲的效果：

在TXT文件中保存結果如下：

直接復制進迅雷就可以批量高速下載了。

附上全部代碼

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

class spider(object):
 def __init__(self):
  print u'開始爬取內容'
 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=5&pi=1'
 appurl = spider()
 all_links = appurl.changepage(url, 5)
 for link in all_links:
  print u'正在處理頁面' + 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)

總結

選取的目標網(wǎng)頁相對結構清晰簡單，這是一個比較基本的爬蟲。代碼寫的比較亂請見諒，以上就是這篇文章的全部內容了，希望能對大家的學習或者工作帶來一定的幫助，如果有問題大家可以留言交流。

您可能感興趣的文章: