查看原文
其他

R语言爬虫实战:网易云课堂数据分析课程板块数据爬取

杜雨 R语言中文社区 2019-04-23

杜雨,EasyCharts团队成员,R语言中文社区专栏作者,兴趣方向为:Excel商务图表,R语言数据可视化,地理信息数据可视化。个人公众号:数据小魔方(微信ID:datamofang) ,“数据小魔方”创始人。


R语言的爬虫生态虽然与Python相比要弱小很多,but,如果你真的想要用R干一些有趣的事情,那么R语言目前所具有的的网络爬取工具也能给你带来很多方便。

全部课程>编程开发>人工智能与大数据>数据分析

模块的课程作为实战对象,来给大家演练一下如何使用R语言httr包实现异步加载和POST 表单提交以及cookies登入。

直接使用json或者其他格式的表单返回值,避免苦逼的的书写大量正则表达式以及让人眼花缭乱的 CSS表达式、Xath路径表达式。这应该是每一个爬虫练习者都应该谨记的事情。

没错,异步加载的网页大多通过返回json字符串的形式来获取数据,它的难点在于请求的提交以及表单体构建、json字符串处理和最烦人的null空值剔除与替换。

本文使用到的技术是哈德利.威科姆大神的又一新作——网络数据爬取利器:httr。

library("httr") library("dplyr") library("jsonlite")
library("curl")
library("magrittr")
library("rlist")
library("pipeR")
library("plyr")

网易云课堂的网页使用POST请求提交的异步加载,在不久前我曾用Python演示过一次,今天换成R重塑一遍流程。

首先我们需要做的事情是确认它的网页构架:

打开F12键,定位到XHR,寻找以.josn结尾的请求文件。当你在它的右侧打开对应Preview菜单,可以看到它的json数据源并且,有大量很整齐的课程信息的时候,差不多就找对了。

第二步:获取请求信息:

定位到Headers,主要关注四大模块:

General里面的Request URL、Request Method、Status Code

Response Headers里面的Content-Type
Request Headers 里面的 Accept、Content-Type、Cookie、Referer、User-Agent
以及最后Request Paylond里面的所有参数表

General里面的urlpost方法即是即决定访问的资源对象和使用的技术手段。
Response Headers里面的Content-Type决定着你获得的数据以什么样的编码格式返回。
Request Headers 里面的 Accept、Content-Type、Cookie、Referer、User-Agent等是你客户端的浏览器信息,其中Cookie是你浏览器登录后缓存在本地的登录状态信息,使用Cookie登入可以避免爬虫程序被频繁拒绝。(虽然网易云课堂的课程信息没有强制要求登录才能查看)。
Request Paylond信息最为关键,是POST提交请求必备的定位信息,因为浏览器的课程页有很多页信息,但是实际上他们访问同一个地址(就是General里面的url),而真正起到切换页面的就是这个Request Paylond里面的表单信息。

以下是我从Chrome后台获取的所有信息:

请求方式:POST

url<-"http://study.163.com/p/search/studycourse.json"

请求头:

Accept:application/json Accept-Encoding:gzip, deflate Accept-Language:zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4 Connection:keep-alive Content-Length:148 Content-Type:application/json Cookie:请键入你自己的Cookies(我的账号里还有很多付费课程呢,不能随便卖~_~)
edu-script-token:538144961c6343e88841c686a6ffb7b2 Host:study.163.com Origin:http://study.163.com Referer:http://study.163.com/category/dataanalysis User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36

请求头参数:(JSON)

pageIndex    1 pageSize    50 relativeOffset    0 frontCategoryId    400000000709002 searchTimeType    -1 orderType    0 priceType    -1 activityId    0

前五页和最后一页的Request Paylond信息(可以看到其中前四个参数最为关键,剩余的可以不要)

{"pageIndex":1,"pageSize":50,"relativeOffset":0,"frontCategoryId":"400000000709002","searchTimeType":-1,"orderType":0,"priceType":-1,"activityId":0} {"pageIndex":2,"pageSize":50,"relativeOffset":50,"frontCategoryId":"400000000709002","searchTimeType":-1,"orderType":0,"priceType":-1,"activityId":0} {"pageIndex":3,"pageSize":50,"relativeOffset":100,"frontCategoryId":"400000000709002","searchTimeType":-1,"orderType":0,"priceType":-1,"activityId":0} {"pageIndex":4,"pageSize":50,"relativeOffset":150,"frontCategoryId":"400000000709002","searchTimeType":-1,"orderType":0,"priceType":-1,"activityId":0} {"pageIndex":5,"pageSize":50,"relativeOffset":200,"frontCategoryId":"400000000709002","searchTimeType":-1,"orderType":0,"priceType":-1,"activityId":0} …… {"pageIndex":12,"pageSize":50,"relativeOffset":550,"frontCategoryId":"400000000709002","searchTimeType":-1,"orderType":0,"priceType":-1,"activityId":0}

第四步:构造请求提交信息:

Cookie='请键入个人的网易云课堂Cookies'

构造浏览器报头信息:

#构造浏览器报头信息:
headers <- c('Accept'='application/json',
            'Content-Type'='application/json',          
            'User-Agent'='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36',          
            'edu-script-token'= '3e44b18e2cea46b6890d1cf92c1ad606',
            'Referer'='http://study.163.com/category/dataanalysis',
            'Connection'='keep-alive',
            'Cookie'=Cookie          ) 构造请求头参数信息:(这里只接受list) payload<-list(
             'pageIndex'=1,
              'pageSize'=50,
              'relativeOffset'=0,
              'frontCategoryId'='400000000709002'         )

构造url:

url<-"http://study.163.com/p/search/studycourse.json"

第五步:单步执行:

r <- POST(url,add_headers(.headers =headers),body =payload, encode="json",verbose())

从返回信息上我们可以看到提交成功,毕竟已经成功返回有效内容。

myresult1 <-r %>% content() %>%`[[`(3) %>% `[[`(2) %>% toJSON() %>% fromJSON(simplifyDataFrame=TRUE)

可以看到我们想要的内容存放在r %>% content()返回值的第三个list(result)内的第二个list中,长度为50,宽度为27,刚好就是我们在后台看到的课程信息。如果你不记得`[[`(3)的用法,记得看前几篇的推送,它与extract函数相同,用于提取指定list对象。

如何使用管道操作符优雅的书写R语言代码

这是所有课程信息字段名称,我们无需要这么多,仅挑选其中必要到的即可。

[1] "productId"       "courseId"        "productName"     "productType"     "startTime"       "endTime"         [7] "description"     "provider"        "score"           "scoreLevel"      "learnerCount"    "imgUrl"
[13] "bigImgUrl"       "lectorName"      "originalPrice"   "discountPrice"   "discountRate"    "forumTagLector"
[19] "tagLectorTime"   "schoolShortName" "tagIap"          "gmtModified"     "displayType"     "courseCardProps"
[25] "published"       "activityIds"     "isPromStatus"
usefulname<-c("productId","courseId","productName","lectorName","provider","score","scoreLevel","learnerCount","originalPrice","discountPrice","discountRate","description") myresult1<-myresult1 %>% select(usefulname)

第六步:书写完整的循环获取全部课程数据:

myfullresult<-list()
for (i in 1:12){     payload[["pageIndex"]]=i     payload[["relativeOffset"]]=payload[["relativeOffset"]] %>% `+`(50*(i-1))     web <- POST(url,add_headers(.headers =headers),body =payload,encode="json",verbose())     myresult<-web %>% content() %>% `[[`(3) %>% `[[`(2)     myfullresult<-c(myfullresult,myresult) }

以上获取的是个巨大的列表,我们需要将其转换为数据框,并提取出我们需要的列。

mydata<-do.call(rbind,myfullresult) %>% as.data.frame() %>% select(usefulname)

还有一个问题,因为mydata整体是数据框,但是单个变量仍然是lsit(原因是原始信息中出现大量的NULL值),我们需要将所有NULL替换为NA,方可对mydata的个列进行向量化。

替换NULL值

for (j in 1:length(mydata)){
       for (i in 1:nrow(mydata)){
              if(is.null(mydata[i,j][[1]])){                mydata[i,j][[1]]=NA                }       } }

将所有list列转为向量:

for (i in usefulname){ mydata[[i]]<-mydata[[i]] %>% unlist() }

去重:

mydata<-unique(mydata)

保存:

write.csv(mydata, file ="D:/R/File/yunketang_datafenxi.csv")

预览:

其实多了解一些方法,在很多时候避免走弯路,CSS表达式和Xpath路径表达式甚至正则表达式的门槛都很高,单是搞明白一种就已经很不容易,融会贯通就更难了。

但是多了解一些捷径和方法,你完全可以规避掉这些,我们的目标是获取数据,没有人关心你用的什么方法,学会灵活运用才是关键。

在线课程请点击文末原文链接:
往期案例数据请移步本人GitHub:

https://github.com/ljtyduyu/DataWarehouse/tree/master/File

相关课程推荐


R语言爬虫实战案例分享:

网易云课堂、知乎live、今日头条、B站视频


分享内容:本次课程所有内容及案例均来自于本人平时学习练习过程中的心得和笔记总结,希望借此机会,将自己的爬虫学习历程与大家分享,并为R语言的爬虫生态改善以及工具的推广,贡献一份微薄之力,也是自己爬虫学习的阶段性总结。

☟☟☟ 戳阅读原文,即刻加入课程。

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存