这个周末用Python爬虫把简书上的签约作者信息、文章爬取了一遍，想对简书签约作者有一个整体了解，并进行数据分析，他们写作的频度是怎样的，写作的类型有哪些？他们最值得学习的地方有哪些？
下一个会是你吗？
一、爬取哪些信息？
爬取的信息包括爬出所有签约作者主页（latest_articles），签约作者发表的文章篇数、字数、粉丝数，收获的喜欢；他们在简书上发表第一篇文章的时间，在简书上写作的时间天数。
“首页热门”，“七日热门”，“三十日热门”文章中签约作者文章的占比数。
二 、爬虫从哪里开始？
简书上没有专门页面推荐展示“简书签约作者”，必须设置一个入口去爬取这些信息。我能找到一个专题是《简书签约作者新春大拜年》，这是2016年春节收录了10位简书签约作者的新春大拜年文章，显然现在不止这10位。
一开始设想的方案，是从“三十日热门”中的一篇文章开始，抓取这篇文章的“打赏支持”、“喜欢”和“评论”的用户，再顺着作者粉丝（或关注）往下爬取。但看过几篇文章，这种方法马上被否掉，因为打赏、喜欢和评论以及粉丝99%的都是一般特征用户（即读者，很少发表文章），相当于从简书大量用户中捞出“签约作者”，效率太低，如果要做简书一般用户的分析，这种方案可以考虑。
我把目标转向了“首页热门”，“七日热门”，“三十日热门”这个几栏目。既然简书没有专门的推荐简书签约作者，那他们必须靠文章来进行展现。如果把这几个栏目中文章的签约作者都抓取下来，应该能找到95%以上的简书签约作者。
这几个栏目首屏都是显示20条数据，页面上没有分页，只有一个“点击查看更多”，在代码找到分页显示的url，并有page参数。但在url地址栏试了一下，发现只修改page并不能获得正确的页面，而且也不知道总页数。
换一个思路，通过递归方法抓取页面的“点击查看更多”的url，直到页面上没有“点击查看更多为止”，这样首页热点是99条数据。拿到每篇文章作者的url。
递归调用获取“更多”url
获取到这个栏目文章作者的主页链接，再到用户主页爬取信息，判断是不是简书签约作者，如果是，抓取用户相关信息，发表的文章相关信息。
在作者页面通过看源代码，找到文章分页url，定位于最后一页最后一篇文章，抓取到作得发表第一篇文章的时间，第一篇文章的阅读数的评论数，计算出在简书上写作的天数。
这个分页url是有效的！
三、如何爬取到完整的数据？
这次我把爬取的数据写成CSV文件，方便查看、做数据分析。把“首页热门”（top/daily），“七日热门”（top/weekly）,“三十日热门”（top/monthly）数据放在一起，去重后，找到的简书签约作者记录是32条。
5/15《首页热门》上简书签约作者的数据
这种方式爬取的数据量不大，找到的信息比手动搜索专题收录的数据多了一倍多。我随手翻阅了一下“成为简书签约作者”的文章，一篇文章中写道，她是第46位简书签约作者。我意识到爬取的数据量还不全。这时，第一栏数据，关注数，引起我的注意，原来以为是分析中最没有用的一个数据，我看了一下两位作者，发现，简书签约作者之间互关的比较多，从这“关注”数据中应该可以再抓取到一些数据。
就马上增加一个方法，把签约作者的关注的用户再爬取一次找出签约作者，再经过数据去重，最终得到63位简书签约作者的信息。
如果猜测一下的话，“热门”中抓取到的数据应该是“简书签约作者”中的活跃用户或新晋作者，互关数据中抓取的数据应该是加入时间靠前的，写作方向比较偏一点的。更多数据分析，另文详述，更有一些好玩有趣数据，以及怎样才能成为简书签约作者。
PyCharm 代码
总结
- 设计一个爬虫的入口很重要，关乎到数据抓取的效率。
- 对数据的查看过程中发现有效数据的隐藏点，再进行抓取。
- 这次仍然使用request,xpath，代码更熟练了一些。没有使用scrapy，主要是才刚刚开始，对于多数据的爬取处理不太熟悉。
网友评论