目录
任务简介
任务解决思路与经验收获
具体步骤
总结
我是政胤 期待你的关注
大家好 我是政胤 今天教大家一个比较刑的爬虫案例
Python爬虫 爬取下载美国科研网站数据
制作不易 点个免费的关注 支持一下吧
任务简介
目标网站：https://app.powerbigov.us/view?r=eyJrIjoiYWEx...
目标数据：下载2009-2013年的表格数据，并存储为CSV文件
目标网站是漂亮国的科研数据，是PowerBI实现的网页数据，无法使用Ctrl+C复制内容，因此，求助于我们进行爬取。
任务解决思路与经验收获
首先任务可拆解为两个部分：一是从网站爬取数据到本地，二是解析数据输出CSV文件：
爬取数据部分：
解析网页，找到数据异步加载的实际请求地址与参数
书写爬虫代码获取全部数据
解析数据部分
这是本次任务的主要难点所在，难点在于：在返回的数据list中，元素不是固定的个数，只有与上一行不同的数值，而具体哪一列不同、哪一列相同，是使用一个“R”值表示，正常解决思路是要通过JS逆向，找出解析R关系的函数，完成解析。但是，由于网页的JS非常复杂，且许多函数名都是简写，阅读十分困难，一直没有逆向成功
在解决该问题上，先是手工查询总结关系，完成了第一个版本，没想到后续在写写这篇分享文章时突然思路打开，改变了请求数据方式，绕过了分析R关系的步骤：
方案一：按正常请求，使用R关系解析数据
下载完整的数据后分析，所需要的2009至2013年的数据中，R关系一共有124种，最小值0、最大值4083，通过人工查询这124种关系，制作成字典，完成解析。总结出的关系如下图(手工查询了5个小时，累啊)：
方案二：以时间换空间，每次仅请求一行数据，绕过解析R关系的难题
在复盘时，突然头脑开窍，请求到的数据第一行一定是完整的，要是每次只请求一行数据，那就不可能存在与上一行相同的情形了，这种情况下就能绕过解析R关系这一难题。测试后方案可行，只是需要考虑以下问题：
开启多线程加速以缩时间，但即使开启多线程，也只能按12个年份开启12个线程，而行数最多的年份约2万行，爬虫需要运行约5至6个小时
断点续爬，避免程序异常中断后，需要从头开始；
具体步骤
目标网站分析
第一步当然是对目标网站进行分析，找到数据正确的请求地址，这点很容易，打开Chrome的开发者模式，向下拖动滚动条，看到新出现的请求，就是真实的地址了，直接上结果：
然后看一下POST请求的参数
请求的参数
再看一下Headers，意外发现，竟然没有反爬！没有反爬！没有反爬！好吧，漂亮国的网站就是大气。
分析小结：# 完整参数就略过，关键参数以下三项：# 1.筛选年份的参数，示例：param['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Query']['Where'][0]['Condition']['In']['Values'][0][0]['Literal']['Value'] = '2009L'# 2.请求下一批数据(请求首批数据时无需传入该参数)，示例：param['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Binding']['DataReduction']['Primary']['Window']['RestartTokens'] = [["'Augusto E Caballero-Robles'","'Physician'","'159984'","'Daiichi Sankyo, Inc.'","'CC0131'","'Basking Ridge'","'NJ'","'Compensation for Bona Fide Services'","2009L","'4753'"]]# 注：以上"RestartTokens"的值在前一批数据的response中，为上一批数据的返回字典值，示例res['results'][0]['result']['data']['dsr']['DS'][0]['RT']# 3.请求页面的行数(浏览器访问默认是500行/页,但爬虫访问的话...你懂的)，示例：param['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Binding']['DataReduction']['Primary']['Window']['Count'] = 500# 参数还有很多，例如排序的参数ordby，各种筛选项等请求数据的网址：https://wabi-us-gov-virginia-api.analysis.usgovcloudapi.net/public/reports/querydata?synchronous=true
POST的关键参数：
爬虫主要步骤及代码
在获取全部数据上，则使用一个while True死循环，每次请求返回值中如有"RT"关键字，则修改POST参数，发起下一个请求，直至返回值中没有"RT"关键字，代表全部数据爬取结束(详见代码)
请求过程中出现的异常需要捕获，根据异常类型决定下一步操作，由于该网站没有反爬，只有超时或连接错误的异常，因此，只需要重启发起请求即可，因此可以不考虑断点续爬
以上步骤，详细代码如下：
网站没有反爬，找到正确的路径和参数后，在爬虫代码实现上相对简单，直接发起post请求即可，代码中通过PageSpider类实现(详细代码附后)
在断点续传上，通过流程解决，把每行数据存储到TXT文件中，文件名记录年份以及行数，先读取已爬取的记录，找到最后一次请求结果，然后发起后续请求。
"""爬取页面数据的爬虫"""import pathlib as plimport requestsimport jsonimport timeimport threadingimport urllib3def get_cost_time(start: time.time, end: time.time = None): """ 计算间隔时长的方法 :param start: 起始时间 :param end: 结束时间，默认为空，按最新时间计算 :return: 时分秒格式 """ if not end: end = time.time() cost = end - start days = int(cost / 86400) hours = int(cost % 86400 / 3600) mins = int(cost % 3600 / 60) secs = round(cost % 60, 4) text = '' if days: text = f'{text}{days}天' if hours: text = f'{text}{hours}小时' if mins: text = f'{text}{mins}分钟' if secs: text = f'{text}{secs}秒' return textclass PageSpider: def __init__(self, year: int, nrows: int = 500, timeout: int = 30): """ 初始化爬虫的参数 :param year: 下载数据的年份，默认空，不筛选年份，取得全量数据 :param nrows: 每次请求获取的数据行数，默认500，最大30000(服务器自动限制，超过无效) :param timeout: 超时等待时长 """ self.year = year if year else 'all' self.timeout = timeout # 请求数据的地址 self.url = 'https://wabi-us-gov-virginia-api.analysis.usgovcloudapi.net/public/reports/querydata?synchronous=true' # 请求头 self.headers = { # 太长省略，自行在浏览器中复制 } # 默认参数 self.params = { # 太长省略，自行在浏览器中复制 } # 修改默认参数中的每次请求的行数 self.params['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Binding']['DataReduction'][ 'Primary']['Window']['Count'] = nrows # 修改默认参数中请求的年份 if self.year != 'all': self.params['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Query']['Where'][0][ 'Condition']['In']['Values'][0][0]['Literal']['Value'] = f'{year}L' @classmethod def read_json(cls, file_path: pl.Path): with open(file_path, 'r', encoding='utf-8') as fin: res = json.loads(fin.read()) return res def get_idx_and_rt(self): """ 获取已经爬取过的信息，最大的idx以及请求下一页的参数 """ single = True tmp_path = pl.Path('./tmp/') if not tmp_path.is_dir(): tmp_path.mkdir() files = list(tmp_path.glob(f'{self.year}_part*.txt')) if files: idx = max([int(filename.stem.replace(f'{self.year}_part', '')) for filename in files]) res = self.read_json(tmp_path / f'{self.year}_part{idx}.txt') key = res['results'][0]['result']['data']['dsr']['DS'][0].get('RT') if not key: single = False else: idx = 0 key = None return idx, key, single def make_params(self, key: list = None) -> dict: """ 制作请求体中的参数 :param key: 下一页的关键字RestartTokens，默认空，第一次请求时无需传入该参数 :return: dict """ params = self.params.copy() if key: params['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Binding']['DataReduction'][ 'Primary']['Window']['RestartTokens'] = key return params def crawl_pages(self, idx: int = 1, key: list = None): """ 爬取页面并输出TXT文件的方法， :param idx: 爬取的索引值，默认为1，在每行爬取时，代表行数 :param key: 下一页的关键字RestartTokens，默认空，第一次请求时无需传入该参数 :return: None """ start = time.time() while True: # 创建死循环爬取直至结束 try: res = requests.post(url=self.url, headers=self.headers, json=self.make_params(key), timeout=self.timeout) except ( requests.exceptions.ConnectTimeout, requests.exceptions.ConnectionError, urllib3.exceptions.ConnectionError, urllib3.exceptions.ConnectTimeoutError ): # 捕获超时异常 或 连接异常 print(f'{self.year}_part{idx}: timeout, wait 5 seconds retry') time.sleep(5) # 休息5秒后再次请求 continue # 跳过后续步骤 except Exception as e: # 其他异常，打印一下异常信息 print(f'{self.year}_part{idx} Error: {e}') time.sleep(5) # 休息5秒后再次请求 continue # 跳过后续步骤 if res.status_code == 200: with open(f'./tmp/{self.year}_part{idx}.txt', 'w', encoding='utf-8') as fout: fout.write(res.text) if idx % 100 == 0: print(f'{self.year}的第{idx}行数据写入完成，已用时: {get_cost_time(start)}') key = json.loads(res.text)['results'][0]['result']['data']['dsr']['DS'][0].get('RT', None) if not key: # 如果没有RT值，说明已经全部爬取完毕了，打印一下信息退出 print(f'{self.year} completed max_idx is {idx}') return idx += 1 else: # 打印一下信息重新请求 print(f'{self.year}_part{idx} not 200，check please', res.text) continuedef mul_crawl(year: int, nrows: int = 2): """ 多线程爬取的方法，注按行爬取 :param year: 需要爬取的年份 :param nrows: 每份爬取的行数，若每次仅爬取1行数据，nrows参数需要为2，才会有下一行，否则都是第一行 """ # 定义爬虫对象 spider = PageSpider(year, nrows=nrows) # 获取爬取对象已爬取的idx，key和是否完成爬取的信号single idx, key, single = spider.get_idx_and_rt() if not single: print(f'{year}年的共{idx}行数据已经全部下载，无需爬取') return print(f'{year}年的爬虫任务启动, 从{idx+1}行开始爬取') spider.crawl_pages(idx+1, key) # 特别注意，已经爬取了idx行，重启时，下一行需要+1，否则重启后，会覆盖一行数据if __name__ == '__main__': pools = [] for y in range(2009, 2021): pool = threading.Thread( target=mul_crawl, args=(y, 2), name=f'{y}_thread' # 按行爬取，nrows参数需要为2 ) pool.start() pools.append(pool) for pool in pools: pool.join() print('任务全部完成')
代码运行示例：
以时间换空间，每次仅请求一行，绕过R关系解析
解析数据
方案一
解析数据困难的部分就是找出R关系规律，这部分是使用手工查询来解决的，直接上代码吧：
class ParseData: """ 解析数据的对象 """ def __init__(self, file_path: pl.Path = None): """ 初始化对象 :param file_path: TXT数据存放的路径，默认自身目录下的tmp文件夹 """ self.file_path = pl.Path('./tmp') if not file_path else file_path self.files = list(self.file_path.glob('2*.txt')) self.cols_dict = None self.colname_dict = { 'D0': 'License Type', 'D1': 'License Number', 'D2': 'Manufacturer Full Name', 'D3': 'Manufacturer ID', 'D4': 'City', 'D5': 'State', 'D6': 'Full Name', 'D7': 'Payment Category', 'D8': 'Covered Recipient ID' } self.colname_dict_T = {v: k for k, v in self.colname_dict.items()} def make_excels(self): """ 将每个数据文件单独转换为excel数据表用于分析每份数据 :return: """ for file in self.files: with open(file, 'r') as fin: res = json.loads(fin.read()) dfx = pd.DataFrame(res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0']) dfx['filename'] = file.stem dfx[['year', 'part']] = dfx['filename'].str.split('_', expand=True) dfx['C_count'] = dfx['C'].map(len) writer = pd.ExcelWriter(self.file_path / f'{file.stem}.xlsx') dfx.to_excel(writer, sheet_name='data') for k, v in res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts'].items(): dfx = pd.Series(v).to_frame() dfx.to_excel(writer, sheet_name=k) writer.save() print('所有数据均已转为Excel') def make_single_excel(self): """ 将所有数据生成一份excel文件，不包含字典 :return: """ # 合并成整个文件 df = pd.DataFrame() for file in self.files: with open(file, 'r') as fin: res = json.loads(fin.read()) dfx = pd.DataFrame(res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0']) dfx['filename'] = file.stem dfx[['year', 'part']] = dfx['filename'].str.split('_', expand=True) dfx['C_count'] = dfx['C'].map(len) df = pd.concat([df, dfx]) return df def get_cols_dict(self): """ 读取列关系的字典 :return: """ # 读取列字典表 self.cols_dict = pd.read_excel(self.file_path.parent / 'cols_dict.xlsx') self.cols_dict.set_index('R', inplace=True) self.cols_dict = self.cols_dict.dropna() self.cols_dict.drop(columns=['C_count', ], inplace=True) self.cols_dict.columns = [col.split(':')[-1] for col in self.cols_dict.columns] self.cols_dict = self.cols_dict.astype('int') def make_dataframe(self, filename): """ 读取TXT文件，转换成dataframe :param filename: 需要转换的文件 :return: """ with open(filename, 'r') as fin: res = json.loads(fin.read()) df0 = pd.DataFrame(res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0']) df0['R'] = df0['R'].fillna(0) df0['R'] = df0['R'].map(int) values_dict = res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts'] dfx = [] for idx in df0.index: row_value = df0.loc[idx, 'C'].copy() cols = self.cols_dict.loc[int(df0.loc[idx, 'R'])].to_dict() row = {} for col in ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State', 'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment', 'Number of Events Reflected']: v = cols.get(col) if v: value = row_value.pop(0) if col in self.colname_dict.values(): if not isinstance(value, str): value_list = values_dict.get(self.colname_dict_T.get(col), []) value = value_list[value] row[col] = value else: row[col] = None row['R'] = int(df0.loc[idx, 'R']) dfx.append(row) dfx = pd.DataFrame(dfx) dfx = dfx.fillna(method='ffill') dfx[['Disclosure Year', 'Number of Events Reflected']] = dfx[ ['Disclosure Year', 'Number of Events Reflected']].astype('int') dfx = dfx[['Covered Recipient ID', 'Full Name', 'License Type', 'License Number', 'Manufacturer ID', 'Manufacturer Full Name', 'City', 'State', 'Payment Category', 'Amount of Payment', 'Number of Events Reflected', 'Disclosure Year', 'R']] return dfx def parse_data(self, out_name: str = None): """ 解析合并数据 :param out_name: 输出的文件名 :return: """ df = pd.DataFrame() for n, f in enumerate(self.files): dfx = self.make_dataframe(f) df = pd.concat([df, dfx]) print(f'完成第{n + 1}个文件，剩余{len(self.files) - n - 1}个，共{len(self.files)}个') df.drop(columns='R').to_csv(self.file_path / f'{out_name}.csv', index=False) return df方案二
使用方案二处理数据时，在进行数据后验后发现，还有两个细节问题需要解决:
一是返回值中出现了新的关键字“Ø”，经手工验证才知道代表输出的行中，存在本身就是空值的情况，遍历数据后，发现只有出现3个不同值(60, 128, 2048)，因此，手工制作了col_dict(详见代码)。\
class ParseDatav2: """ 解析数据的对象第二版，将按行爬取的的json文件，转换成dataframe，增量写入csv文件， 因每次请求一行，首行数据不存在与上一行相同情形，因此，除个别本身无数据情况，绝大多数均为完整的12列数据, """ def __init__(self): """ 初始化 """ # 初始化一行的dataframe， self.row = pd.DataFrame([ 'Covered Recipient ID', 'Full Name', 'License Type', 'License Number', 'Manufacturer ID', 'Manufacturer Full Name', 'City', 'State', 'Payment Category', 'Amount of Payment', 'Number of Events Reflected', 'Disclosure Year' ]).set_index(0) self.row[0] = None self.row = self.row.T self.row['idx'] = None # 根据 Ø 值的不同选择不同的列，目前仅三种不同的Ø值，注0为默认值，指包含所有列 self.col_dict = { # 完整的12列 0: ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State', 'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment', 'Number of Events Reflected'], # 有4列是空值，分别是 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State' 60: ['License Type', 'License Number', 'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment', 'Number of Events Reflected'], # 有1列是空值，是 'Payment Category' 128: ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State', 'Full Name', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment', 'Number of Events Reflected'], # 有1列是空值，是 'Number of Events Reflected' 2048: ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State', 'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment'], } # 列名转换字典 self.colname_dict = { 'License Type': 'D0', 'License Number': 'D1', 'Manufacturer Full Name': 'D2', 'Manufacturer ID': 'D3', 'City': 'D4', 'State': 'D5', 'Full Name': 'D6', 'Payment Category': 'D7', 'Covered Recipient ID': 'D8' } # 储存爬取的json文件的路径 self.data_path = pl.Path('./tmp') # 获取json文件的迭代器 self.files = self.data_path.glob('*.txt') # 初始化输出文件的名称及路径 self.file_name = self.data_path.parent / 'data.csv' def create_csv(self): """ 先输出一个CSV文件头用于增量写入数据 :return: """ self.row.drop(0, axis=0).to_csv(self.file_name, index=False) def parse_data(self, filename: pl.Path): """ 读取按1行数据请求获取的json文件，一行数据 :param filename: json文件的路径 :return: None """ row = self.row.copy() # 复制一行dataframe用于后续修改 res = PageSpider.read_json(filename) # 获取数据中的valuedicts valuedicts = res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts'] # 获取数据中每行的数据 row_values = res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][0]['C'] # 获取数据中的'Ø'值(若有)，该值代表输出的行中，存在空白部分，用于确定数据列 cols = ic(self.col_dict.get( res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][0].get('Ø', 0) )) # 遍历每行数据，修改row这个dataframe的值 for col, value in zip(cols, row_values): ic(col, value) colname = self.colname_dict.get(col) # colname转换，D0~D8 if colname: # 如果非空，则需要转换值 value = valuedicts.get(self.colname_dict.get(col))[0] # 修改dataframe数据 row.loc[0, col] = value # 写入索引值 row['idx'] = int(filename.stem.split('_')[-1].replace('part', '')) return row def run(self): """ 运行写入程序 """ self.create_csv() for idx, filename in enumerate(self.files): row = self.parse_data(filename) row.to_csv(self.file_name, mode='a', header=None, index=False) print(f'第{idx + 1}个文件{filename.stem}写入表格成功') print('全部文件写入完成')二是每行数据请求，nrows需要设置为2，而最后一行数据无法通过该方式获取，因此，需要从最后一个返回的json数据中解析出最后一行数据(详见LastRow类)
class LastRow: """ 获取并写入最后一行数据的类 由于每次请求一行数据的方式，存在缺陷，无法获取到最后一行数据， 本方法是对最后一个能够获取的json(倒数第二行)进行解析，取得最后一行数据， 本方法存在缺陷，即默认最后一行“Amount of Payment”列值一定与倒数第二行不同， 目前2009年至2020年共12年的数据中，均满足上述条件，没有出错。 除本方法外，还可以通过逆转排序请求的方式，获取最后一行数据 """ def __init__(self): """ 初始化 """ self.file_path = pl.Path('./tmp') # 存储爬取json数据的路径 self.files_df = pd.DataFrame() # 初始化最后一份请求的dataframe # 列名对应的字典 self.colname_dict = { 'D0': 'License Type', 'D1': 'License Number', 'D2': 'Manufacturer Full Name', 'D3': 'Manufacturer ID', 'D4': 'City', 'D5': 'State', 'D6': 'Full Name', 'D7': 'Payment Category', 'year': 'Disclosure Year', 'D8': 'Covered Recipient ID', 'M0': 'Amount of Payment', 'M1': 'Number of Events Reflected' } self.data = pd.DataFrame() # 初始化最后一行数据data def get_last_file(self): """ 遍历文件夹，取得最后一份请求的dataframe """ self.files_df = pd.DataFrame(list(self.file_path.glob('*.txt')), columns=['filename']) self.files_df[['year', 'idx']] = self.files_df['filename'].map(lambda x: x.stem).str.split('_', expand=True) self.files_df['idx'] = self.files_df['idx'].str.replace('part', '') self.files_df['idx'] = self.files_df['idx'].astype(int) self.files_df.sort_values(by=['year', 'idx'], inplace=True) self.files_df = self.files_df.drop_duplicates('year', keep='last') def get_last_row(self, ser: pd.Series) -> pd.DataFrame: """ 解析文件，获取最后一行的数据 :param ser: 一行文件信息的series """ # 读取json数据 res = PageSpider.read_json(ser['filename']) # 获取values_dict values_dict = res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts'] # 获取文件中的第一行数据 row_values = res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][0]['C'] # 获取文件中的下一行数据，因文件是倒数第二行的数据，因此下一行即为最后一行 next_row_values = res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][1]['C'] # 初始化Series row = pd.Series() # 解析数据填充series for k, col in self.colname_dict.items(): value = row_values.pop(0) if k.startswith('D'): # 如果K值是D开头 values = values_dict[k] if len(values) == 2: value = next_row_values.pop(0) value = values[-1] elif k == 'year': pass else: if next_row_values: value = next_row_values.pop(0) row[col] = value row['idx'] = ser['idx'] + 1 row = row.to_frame().T return row def run(self): """ 运行获取最后一行数据的方法 """ self.get_last_file() for i in self.files_df.index: self.data = pd.concat([self.data, self.get_last_row(self.files_df.loc[i])]) self.data = self.data[[ 'Covered Recipient ID', 'Full Name', 'License Type', 'License Number', 'Manufacturer ID', 'Manufacturer Full Name', 'City', 'State', 'Payment Category', 'Amount of Payment', 'Number of Events Reflected', 'Disclosure Year', 'idx' ]] filename = self.file_path.parent / 'data.csv' self.data.to_csv(filename, mode='a', index=False, header=None) return self.data结果展示
2010年
2015年
2020年尾部
延伸思考
如果将上述方案一与方案二结合，整理出所有不同R关系的行样例，使用方案二爬取少量的部分示例，然后推导出完整的R关系字典，再使用方案一的方法进行爬取解析，将大大节约时间。该方式在数据量远远超过当前数量时，可以考虑使用。
总结
完成整个项目过程中历经了:暗爽(不到1小时就完成了爬虫部分功能)->迷茫(JS逆向失败，无法总结R关系规律)->焦虑与烦躁(担心无法完成任务，手工查询规则5个多小时)->开窍(复盘过程中突然发现新思路)一系列过程。最终结果还是较为顺利的完成了整个任务，而最大的感触还是思路的开拓:一条路走不通时，也许换个方向就能解决问题(注：count参数500一开始就使用了，只是一直在增加请求的行数，而一直没有想到减少请求的行数这么一个小小的改变，就能带来巨大的突破)。
我是政胤 期待你的关注
