基于steam的游戏销量预测 — PART 1 — 爬取steam游戏相关数据的爬虫
语言:python
环境:ubuntu
爬取内容:steam游戏标签,评论,以及在 steamspy 爬取对应游戏的销量
使用相关:urllib,lxml,selenium,chrome
解释:
流程图如下

1.首先通过 steam 商店搜索页面的链接,打开 steam 搜索页面,然后用如下正则表达式来得到前100个左右的游戏的商店页面链接。
reg = r'<a href="(http://store.steampowered.com/app/.+?)"'
2.对于得到的每个商店页面链接,可以通过如下正则表达式来得到对应的有游戏名称.
reg = r'.+?/app/[0-9]+?/(.+?)/'
例如如下链接 http://store.steampowered.com/app/268910/Cuphead/ ,可以得到游戏名字为Cuphead。
3.然后通过 selenium 来模拟 chrome 上的操作,以获取动态加载的网页。先打开网页 steamspy,然后在网页上检查元素,看源码,发现搜索框元素的 name 值为”s”,所以可以通过 driver.find_element_by_name("s") 找到搜索框,模拟输入对应的游戏名字。进行搜索,得到了新的页面,再通过如下正则表达式得到销量
reg = r'<strong>Owners</strong>:\s+?([0-9,]+?)\s+?'
例如上面那个网址对应应当输入 Cuphead。
4.得到游戏标签,这一步比较简单,打开商店链接,得到源码,然后通过如下正则表达式获取标签即可
reg=r'>\s+?([^\t]+?)\s+?</a><a href="http://store.steampowered.com/tag.+?"\s+?class="app_tag"'
5.得到游戏评论。由于 steam 商店评论是动态加载的,所以要又通过 selenium 来模拟 chrome 的操作,首先进入商店页面,因为有些商店是有年龄确认的按钮存在,那么通过 xpath 来找 viewpage 的按钮,如果有按钮则模拟点击操作,否则不点击。代码如下
driver.find_element_by_xpath("//span[text()='View Page']").click()
6.这样就进入了商店页面,然后类似地,通过xpath找到加载评论的按钮,加载评论,代码如下。
driver.find_element_by_xpath("//span[starts-with(@class,'game_review_summary')]").click()
7.再通过xpath找到多条评论的链接,代码如下。
elements = driver.find_elements_by_xpath("//a[starts-with(@href,'http://steamcommunity.com/id')]")
8.得到评论链接之后,打开评论链接,并通过如下正则表达式来得到评论正文内容。
reg = r'<div\s+?id="ReviewText">(.+?)</div>'
代码:
import urllib
import re
import sys
import lxml
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
def getGameLink(html):
reg = r'<a href="(http://store.steampowered.com/app/.+?)"'
gamelinkre = re.compile(reg)
gamelinklist = re.findall(gamelinkre,html)
return gamelinklist
def getTag(html):
reg = r'>\s+?([^\t]+?)\s+?</a><a href="http://store.steampowered.com/tag.+?"\s+?class="app_tag"'
tagre = re.compile(reg)
taglist = re.findall(tagre,html)
return taglist
def getReviewLink(url):
gamereviewlinklist = []
driver = webdriver.Chrome()
flag = True
try:
driver.get(url)
driver.implicitly_wait(30)
flag = True
except:
return gamereviewlinklist
try:
driver.find_element_by_xpath("//span[text()='View Page']").click()
driver.implicitly_wait(30)
flag = True
except:
flag = False
try:
driver.find_element_by_xpath("//span[starts-with(@class,'game_review_summary')]").click()
driver.implicitly_wait(30)
flag = True
except:
flag = False
if(flag == False):
driver.quit()
return gamereviewlinklist
elements = driver.find_elements_by_xpath("//a[starts-with(@href,'http://steamcommunity.com/id')]")
pattern = re.compile(r'recommended/.+')
for element in elements:
url = element.get_attribute("href")
if(re.search(pattern,url)):
gamereviewlinklist.append(url)
driver.quit()
return gamereviewlinklist
def getReview(html):
reg = r'<div\s+?id="ReviewText">(.+?)</div>'
reviewre = re.compile(reg)
reviewlist = re.findall(reviewre,html)
reviewlist.append("")
print reviewlist[0]
return reviewlist[0]
def getSale(url):
searchwebname="http://steamspy.com/search.php"
reg = r'.+?/app/[0-9]+?/(.+?)/'
namere = re.compile(reg)
nameresult = re.findall(namere,url)
name = nameresult[0]
print name
driver = webdriver.Chrome()
driver.get(searchwebname)
driver.implicitly_wait(30)
flag = True
elem = driver.find_element_by_name("s")
elem.clear()
elem.send_keys(name)
driver.implicitly_wait(30)
elem.send_keys(Keys.RETURN)
driver.implicitly_wait(30)
pagesource = driver.page_source
reg = r'<strong>Owners</strong>:\s+?([0-9,]+?)\s+?'
salere = re.compile(reg)
saleresult = re.findall(salere,pagesource)
sale = "-1"
if len(saleresult)>0:
sale = saleresult[0]
print sale
driver.quit()
return sale
reload(sys)
sys.setdefaultencoding('utf-8')
urls = []
inputfilename = "urls.txt"
inputfile = file(inputfilename,'r')
emptyflag = 0
while not emptyflag:
nowline = inputfile.readline()
if(nowline == ""):
emptyflag = 1
else:
urls.append(nowline)
inputfile.close()
gamelinklist = []
for urli in urls:
html = getHtml(urli)
gamelinklist.extend(getGameLink(html))
salefilename = "gamesales.txt"
salefile = file(salefilename,"w")
for gamelinki in gamelinklist:
sale = getSale(gamelinki)
print sale
print >> salefile,gamelinki
print >> salefile,sale
print >> salefile,"sale end"
print gamelinki+"--sale end"
salefile.close()
tagfilename = "gametags.txt"
tagfile = file(tagfilename,"w")
for gamelinki in gamelinklist:
html = getHtml(gamelinki)
taglist = getTag(html)
print taglist
print >> tagfile,gamelinki
for tagi in taglist:
print >> tagfile,tagi
print >> tagfile,"tag end"
print gamelinki+"--tag end"
tagfile.close()
reviewfilename = "gamereviews.txt"
reviewfile = file(reviewfilename,"w")
lst = ""
for gamelinki in gamelinklist:
reviewlinklist = getReviewLink(gamelinki)
print reviewlinklist
print >> reviewfile,gamelinki
for reviewlinki in reviewlinklist:
if(reviewlinki != lst):
html = getHtml(reviewlinki)
review = getReview(html)
print >> reviewfile,review
print >> reviewfile,"a review end"
lst = reviewlinki
print >> reviewfile,"review end"
print gamelinki+"--review end"
reviewfile.close()
基于steam的游戏销量预测 — PART 1 — 爬取steam游戏相关数据的爬虫的更多相关文章
- 基于steam的游戏销量预测 — PART 3 — 基于BP神经网络的机器学习与预测
语言:c++ 环境:windows 训练内容:根据从steam中爬取的数据经过文本分析制作的向量以及标签 使用相关:无 解释: 就是一个BP神经网络,借鉴参考了一些博客的解释和代码,具体哪些忘了,给出 ...
- python爬虫 爬取steam热销游戏
好久没更新了啊...最近超忙 这学期学了学python 感觉很有趣 就写着玩~~~ 爬取的页面是:https://store.steampowered.com/search/?filter=globa ...
- 基于云开发开发 Web 应用(三):云开发相关数据调用
介绍 在完成了 UI 界面的实现后,接下来可以开始进行和云开发相关的数据对接.完成数据对接后,应用基础就打好了,接下来的就是发布上线以及一些小的 feature 的加入. 配置 在进行相关的配置调用的 ...
- scrapy爬取youtube游戏模块
本次使用mac进行爬虫 mac爬虫安装过程中出现诸多问题 避免日后踩坑这里先进行记录 首先要下载xcode ,所以要更新macOS到10.14.xx版本 更新完之后因为等下要进行环境路径配置 但是ma ...
- 基于爬取百合网的数据,用matplotlib生成图表
爬取百合网的数据链接:http://www.cnblogs.com/YuWeiXiF/p/8439552.html 总共爬了22779条数据.第一次接触matplotlib库,以下代码参考了matpl ...
- 爬虫实战--基于requests和beautifulsoup的妹子网图片爬取(福利哦!)
#coding=utf-8 import requests from bs4 import BeautifulSoup import os all_url = 'http://www.mzitu.co ...
- requests模块session处理cookie 与基于线程池的数据爬取
引入 有些时候,我们在使用爬虫程序去爬取一些用户相关信息的数据(爬取张三“人人网”个人主页数据)时,如果使用之前requests模块常规操作时,往往达不到我们想要的目的,例如: #!/usr/bin/ ...
- scrapy框架基于CrawlSpider的全站数据爬取
引入 提问:如果想要通过爬虫程序去爬取”糗百“全站数据新闻数据的话,有几种实现方法? 方法一:基于Scrapy框架中的Spider的递归爬取进行实现(Request模块递归回调parse方法). 方法 ...
- requests模块处理cookie,代理ip,基于线程池数据爬取
引入 有些时候,我们在使用爬虫程序去爬取一些用户相关信息的数据(爬取张三“人人网”个人主页数据)时,如果使用之前requests模块常规操作时,往往达不到我们想要的目的. 一.基于requests模块 ...
随机推荐
- class.forName 和 classLoader的区别
Java中的Class.forName()和ClassLoader都可以用来对类进行加载.Class.forName()除了将类的.class文件加载到JVM中 还会对类进行解释,执行类中的stati ...
- 什么是文件存储NAS
阿里云文件存储(Network Attached Storage,简称 NAS)是面向阿里云 ECS 实例.E-HPC 和容器服务等计算节点的文件存储服务. 定义 阿里云文件存储 NAS 是一个可共享 ...
- LC 599. Minimum Index Sum of Two Lists
题目描述 Suppose Andy and Doris want to choose a restaurant for dinner, and they both have a list of fav ...
- RPA自定义脚本打开文件夹
import os import subprocess from rpa.web.common.utils import convert_2_unicode def startfile(filenam ...
- ShellCode 最小化编译优化
1.生成ShellCode [root@localhost ~]# msfvenom -a x86 --platform Windows \ > -p windows/meterpreter/r ...
- 以前面试 经常写这种 问掉的 copy 还是 =
get的时候,生成的 那个对象赋值给aa 生成的对象在这条语句完 就析构了: https://blog.csdn.net/qq_31759205/article/details/80544468h ...
- GoLang语言环境搭建及idea集成开发(超详细)
一.所需安装包(windows) 1. https://golang.org/dl/ 下载 MSI installer.不会翻墙的自己找国内下载,双击运行,按照提示安装即可.环境变量自动配置 2.i ...
- List和Dictionary互转
// 声明Dictionary并初始化 Dictionary<string, string> dic = new Dictionary<string, string>() { ...
- hdu 1506 最大子矩阵面积
//写动态规划的题目 要把主要问题提炼出来 这里的问题就是求area=(j-k+1)*a[i] 如果找到j k是解决这个题目的关键 这里暴力求肯定是要超时的 这里用dp来优化 #include< ...
- 出现 HTTP 错误 500.19 错误代码 0x800700b7
这个内容出现主要问题是在IIS上,我们一般程序开发 iis中默认的路径只是http://localhost/,相当于环境变量中已定义好了,如果自己创建的项目直接将路径定义到这,就会替换图二中的路径,然 ...