学会这招，小姐姐看你的眼神将不一样

前言一、爬虫分析二、爬取项目ID1.抓取帖子的URL2.提取帖子中的UUID3.完整代码 三、爬取项目的数据写在最后

前言

今天某小丽同学来找我，有个实验需要用到轻松筹的数据进行一个分析。可是没有足够的数据，如何办是好？ 乐于助人的我，当然不会置之不理~ （ps.毕竟是小姐姐嘛，拒绝了不好，对叭）

于是乎，我抄起家伙，说干就干。

一、爬虫分析

通过简单的分析，可以发现轻松筹提供了一个接口，可以返回某个项目的相关数据，具体如下： 地址如下，xxxxxx表示项目的UUID：

https://gateway.qschou.com/v3.0.0/project/index/text3/xxxxxx

也就是说，我们只要有UUID，那么就可以通过requests发送请求很容易就能得到数据。这还不简单，我们对UUID进行遍历不就行了嘛？ 然而，UUID的长度为32位，要是想遍历的话，等明年去叭… 解决问题（小声说：“获得小姐姐的青睐”）的关键就是想办法找到项目的UUID。

二、爬取项目ID

在官网搜寻了一番，并没有发现哪里有UUID。于是，我们只能另辟蹊径。最后，我决定从百度贴吧入手，搜索相关的帖子，并把帖子中的项目链接中的UUID提取出来。

1.抓取帖子的URL

遍历整个“轻松筹吧”，抓取每个帖子的URL：

url_tieba = 'https://tieba.baidu.com/f?kw=轻松筹&ie=utf-8&pn=%d' # 贴吧页面,pn=0,50,100... p_href = 'href="/p/(.*?)"' hrefs = [] for i in range(1): # 爬取的页数 try: pn = i*50 res = requests.get(url_tieba%pn) html = res.text list_herf = re.findall(p_href,html) for h in list_herf: hrefs.append('https://tieba.baidu.com/p/'+h) print('第%d页获取成功'%(i+1)) except: pass with open('tiezi_url.txt','w') as f: for h in hrefs: f.write(h+'\n')

2.提取帖子中的UUID

要获取每个帖子里面的项目UUID，主要有两种方式： （1）从帖子中的链接中提取 首先定义匹配链接的正则表达式：

p_projuuid = 'https://m2.qschou.com.*?projuuid=(.*?)&'

对帖子进行匹配：

for h in hrefs: try: res = requests.get(h) html = res.text list_projuuid = re.findall(p_projuuid,html) # 判断帖子里是否有直接的链接 if len(list_projuuid) != 0: for p in list_projuuid: if p not in projuuids and len(p) == 36: projuuids.append(p) print('%s 提取到projuuid:%s'%(h,p)) else: # 提取帖子中的图片获取二维码 list_img = re.findall(p_img,html) if len(list_img) == 0: print('%s 无法提取到projuuid'%h) else: for i in list_img: txt_list = get_ewm(i) if len(txt_list) != 0: barcodeData = txt_list[0].data.decode("utf-8") for p in re.findall('projuuid=(.*)',barcodeData): if p not in projuuids and len(p) == 36: projuuids.append(p) print('%s 提取到projuuid:%s'%(h,p)) except: pass

（2）从帖子中的二维码中提取 首先，我们得匹配帖子中的所有图片，正则如下：

p_img = 'class="BDE_Image" src="(.*?)"'

然后对其中的每张图片，进行二维码读取，如果包含项目连接则将其中的UUID提取出来：

for h in hrefs: try: res = requests.get(h) html = res.text list_projuuid = re.findall(p_projuuid,html) # 判断帖子里是否有直接的链接 if len(list_projuuid) != 0: for p in list_projuuid: if p not in projuuids and len(p) == 36: projuuids.append(p) print('%s 提取到projuuid:%s'%(h,p)) else: # 提取帖子中的图片获取二维码 list_img = re.findall(p_img,html) if len(list_img) == 0: print('%s 无法提取到projuuid'%h) else: for i in list_img: txt_list = get_ewm(i) if len(txt_list) != 0: barcodeData = txt_list[0].data.decode("utf-8") for p in re.findall('projuuid=(.*)',barcodeData): if p not in projuuids and len(p) == 36: projuuids.append(p) print('%s 提取到projuuid:%s'%(h,p)) except: pass

其中，读取二维码的函数如下：

def get_ewm(img_adds): # 读取二维码的内容： img_adds：二维码地址（可以是网址也可是本地地址） if os.path.isfile(img_adds): # 从本地加载二维码图片 img = Image.open(img_adds) else: # 从网络下载并加载二维码图片 rq_img = requests.get(img_adds).content img = Image.open(BytesIO(rq_img)) txt_list = pyzbar.decode(img) #barcodeData = txt_list[0].data.decode("utf-8") return txt_list

注意：这里需要用到pyzbar库，通过pip安装即可：

pip install pyzbar

3.完整代码

import re import os import requests from PIL import Image from io import BytesIO from pyzbar import pyzbar def get_ewm(img_adds): # 读取二维码的内容： img_adds：二维码地址（可以是网址也可是本地地址） if os.path.isfile(img_adds): # 从本地加载二维码图片 img = Image.open(img_adds) else: # 从网络下载并加载二维码图片 rq_img = requests.get(img_adds).content img = Image.open(BytesIO(rq_img)) txt_list = pyzbar.decode(img) #barcodeData = txt_list[0].data.decode("utf-8") return txt_list if __name__ == '__main__': # 获取每个帖子的编号 url_tieba = 'https://tieba.baidu.com/f?kw=轻松筹&ie=utf-8&pn=%d' # 贴吧页面,pn=0,50,100... p_href = 'href="/p/(.*?)"' hrefs = [] for i in range(1): # 爬取的页数 try: pn = i*50 res = requests.get(url_tieba%pn) html = res.text list_herf = re.findall(p_href,html) for h in list_herf: hrefs.append('https://tieba.baidu.com/p/'+h) print('第%d页获取成功'%(i+1)) except: pass with open('tiezi_url.txt','w') as f: for h in hrefs: f.write(h+'\n') # 爬取每个帖子中的轻松筹链接 projuuids = [] p_projuuid = 'https://m2.qschou.com.*?projuuid=(.*?)&' p_img = 'class="BDE_Image" src="(.*?)"' for h in hrefs: try: res = requests.get(h) html = res.text list_projuuid = re.findall(p_projuuid,html) # 判断帖子里是否有直接的链接 if len(list_projuuid) != 0: for p in list_projuuid: if p not in projuuids and len(p) == 36: projuuids.append(p) print('%s 提取到projuuid:%s'%(h,p)) else: # 提取帖子中的图片获取二维码 list_img = re.findall(p_img,html) if len(list_img) == 0: print('%s 无法提取到projuuid'%h) else: for i in list_img: txt_list = get_ewm(i) if len(txt_list) != 0: barcodeData = txt_list[0].data.decode("utf-8") for p in re.findall('projuuid=(.*)',barcodeData): if p not in projuuids and len(p) == 36: projuuids.append(p) print('%s 提取到projuuid:%s'%(h,p)) except: pass with open('projuuids.txt','w') as f: for p in projuuids: f.write(p+'\n')

三、爬取项目的数据

这里通过遍历之前获得的UUID，即可获得相应的数据：

import requests import pandas as pd # 读取projuuid with open('projuuids.txt','r') as f: projuuids = f.readlines() for i in range(len(projuuids)): # 去除尾部换行符 projuuids[i] = projuuids[i][:-1] # 获取数据 url_api = 'https://gateway.qschou.com/v3.0.0/project/index/text3/%s' datas = [] for projuuid in projuuids: res = requests.get(url_api%projuuid) data_json = res.json() data = data_json['data']['project'] data['certification'] = data_json['data']['subsidy'][1]['subhead'].split()[-2] datas.append(data) print('%s 获取完毕'%projuuid) datas = pd.DataFrame(datas) datas.to_csv('data.csv',encoding='utf-8',index=False)

写在最后

至此，大功告成。我也获得了小姐姐的赞美，嘻嘻~

最后，感谢各位大大的耐心阅读，咋们下次再会~

创作不易，大侠请留步… 动起可爱的双手，来个赞再走呗 (๑◕ܫ￩๑)