Python爬虫之抓取APP下载链接
前言
最近有个需求是批量下载安卓APP。显然，刀耕火种用手点是不科学的。于是尝试用Python写了一个半自动化的脚本。所谓半自动化，就是把下载链接批量抓取下来，然后一起贴到迅雷里进行下载，这样可以快速批量下载。
准备工作
Python 2.7.11：下载python
Pycharm：下载Pycharm
其中python2和python3目前同步发行，我这里使用的是python2作为环境。Pycharm是一款比较高效的Python IDE，但是需要付费。
基本思路
首先我们的目标网站：安卓市场
点击【应用】，进入我们的关键页面：
安卓市场.png
跳转到应用界面后我们需要关注三个地方，下图红色方框标出：
应用页面.png
首先关注地址栏的URL，再关注免费下载按钮，然后关注底端的翻页选项。点击“免费下载”按钮就会立即下载相应的APP，所以我们的思路就是拿到这个点击下载的连接，就可以直接下载APP了。
编写爬虫
第一个需要解决的点：我们怎么拿到上面说的下载链接？这里不得不介绍下浏览器展示网页的基本原理。说简单点，浏览器是一个类似解析器的工具，它得到HTML等代码的时候会按照相应的规则解析渲染，从而我们能够看到页面。
这里我使用的是谷歌浏览器，对着页面右键，点击“检查”，可以看到网页原本的HTML代码：
HTML代码.png
看到眼花缭乱的HTML代码不用着急，谷歌浏览器的审查元素有一个好用的小功能，可以帮我们定位页面控件对应的HTML代码位置：
定位HTML代码.png
如上图所示，点击上方矩形框中的小箭头，点击页面对应的位置，在右边的HTML代码中就会自动定位并高亮。
接下来我们定位到下载按钮对应的HTML代码：
下载按钮对应HTML.png
可以看到按钮对应的代码中，存在相应的下载链接：【/appdown/com.tecent.mm】，加上前缀，完整的下载链接就是 http://apk.hiapk.com/appdown/com.tecent.mm
首先使用python拿到整个页面的HTML，很简单，使用“requests.get(url)”，url填入相应网址即可。
requestHTML.png
接着，在抓取页面关键信息的时候，采取“先抓大、再抓小”的思路。可以看到一个页面有10个APP，在HTML代码中对应10个item：
list_item.png
而每个 li 标签中，又包含各自APP的各个属性（名称、下载链接等）。所以第一步，我们将这10个 li 标签提取出来：
def geteveryapp(self,source):
everyapp = re.findall('(
-
接下来需要说的难点是翻页，点击下方的翻页按钮后我们可以看到地址栏发生了如下变化：
原始URL.png
带ID的URL.png
豁然开朗，我们可以在每次的请求中替换URL中对应的id值实现翻页。
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
爬虫效果
关键位置说完了，我们先看下最后爬虫的效果：
爬取结果.png
在TXT文件中保存结果如下：
最终结果.png
直接复制进迅雷就可以批量高速下载了。
附上全部代码
#-*_coding:utf8-*-import requestsimport reimport sys
reload(sys)
sys.setdefaultencoding("utf-8")class spider(object):
def __init__(self):
print u'开始爬取内容'
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('(
总结
选取的目标网页相对结构清晰简单，这是一个比较基本的爬虫。代码写的比较乱，见谅。
作者：CaptainXero
链接：https://www.jianshu.com/p/580e7e70a955
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/1446/viewspace-2803176/ ，如需转载，请注明出处，否则将追究法律责任。
