Python爬取阿拉丁统计信息过程图解
背景
目前项目在移动端上，首推使用微信小程序。各项目的小程序访问数据有必要进行采集入库，方便后续做统计分析。虽然阿拉丁后台也提供了趋势分析等功能，但一个个的获取数据做数据分析是很痛苦的事情。通过将数据转换成sql持久化到数据库上，为后面的数据分析和展示提供了基础。
实现思路
阿拉丁产品分开放平台和统计平台两个产品线，目前开放平台有api及配套的文档。统计平台api需要收费，而且贼贵。既然没有现成的api可以获取数据，那么我们尝试一下用python抓取页面上的数据，毕竟python擅长干这种事情。
获取数据流程
1、首先登陆阿拉丁的统计平台，如下图
发现实际需要获取的关键数据主要是“新用户数”、“访问人数”、“访问次数”、“打开次数”、“次均停留时长”、“跳出率”、“累计用户”，而且这里有现成的昨日数据，那么我们一天爬一次这个页面然后格式化昨日数据入库就可以了。
2、打开浏览器F12，发现这个页面的数据主要来自链接如下图
这里隐去敏感信息token，默认是20条数据进行分页显示，那么问题来了，这里的token从哪里获取的呢？猜测这个token应该是用户登录之后生成的，只要有正确的token，就可以获取数据。
在preview标签中可以看到实际返回了50条的数据
展开详细的数据，这里隐去敏感信息app_key和app_name
展开第1条数据，可以看到详细的统计数据信息，现在我们的目标就是如何通过python获取这些信息。
登录过程
下面我们来看一下登录过程。浏览器退出账号之后，重新登录（账密方式登录），打开浏览器F12，发现实际登录请求的url地址如下图
注意content-type和user-agent参数，这里隐去敏感数据用户名、密码和secretkey, 这个secretkey又是哪里冒出来的呢？
不管三七二十一，先用postman请求一下这个地址，的确获取到了token。
前面登录url的payload中有code字段，实际用postman请求发现可以忽略。通过F12发现，验证码的url是通过拼接实现的，具体如下图。
如果验证码是强制需要的，我们可以先拼接好url获取图片，通过pytesseract进行识别，当然这里面可能存在准确率问题，不过既然这个目前是非必须的，咋们就忽略吧。
网页上退出登录，发现页面请求了token地址如下
直接用浏览器访问，可以看到secretKey
梳理一下：
1、目前我们已经有了登录的url、获取统计数据的url、用户名密码、secretKey等信息，code可忽略
2、登录完可以获取到token信息
3、可以通过token请求获取统计数据的url来获取数据
代码实现
1、login.py
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import requests
import json
#钉钉告警函数
def dingtalk(content):
dingtalk_url = 'https://oapi.dingtalk.com/robot/send?access_token="请输入钉钉token"'
dingtalk_header ={"Content-Type": "application/json"}
dingtalk_payload = {"msgtype": "text","text": {"content": "%s" %content}}
requests.post(dingtalk_url, data=json.dumps(dingtalk_payload), headers=dingtalk_header)
#获取secretkey函数
def get_secretkey():
token_url = 'http://betaapi.aldwx.com/m/Login_reg/Login/token'
header = {"Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
"user-agent": "User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36"}
req = requests.post(token_url,headers=header).text
return json.loads(req).get("secretKey")
#获取token函数
def get_token(secretkey):
s = requests.Session()
login_url = 'https://betaapi.aldwx.com/Main/action/Login_reg/Login/login'
header = {"Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
"user-agent": "User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36"}
payload = {"phone": "用户名",
"password": "密码",
"source": "0",
"plan": "0",
"creative": "0",
"keyword1": "0",
"secretKey": secretkey}
req = s.post(login_url, data=payload, headers=header).text
if json.loads(req).get("code") == 200:
return json.loads(req).get("data").get("token")
else:
dingtalk("获取阿拉丁登录token失败，请检查!")
return None
2、aldwx.py
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import requests
import json
from common.mysql_conn import DBAPI
from conf import settings
from login import get_token,get_secretkey,dingtalk
#定义写数据库函数
def exec_sql(sql):
my_conn = DBAPI(settings.Params['host'], settings.Params['user'], settings.Params['password'], int(settings.Params['port']), settings.Params['database'], settings.Params['charset'])
my_conn.conn_dml(sql)
#获取统计数据拼接成列表
def get_data(token):
header = {"Content-Type": "application/x-www-form-urlencoded",
"user-agent": "User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36"}
url = 'http://betaapi.aldwx.com/upgrade/api/applet_homepage'
payload = {'currentpage': '1', 'total': '80', 'token': token, 'appkey': '', 'is_demo': '0'}
try:
req = requests.post(url, data=payload, headers=header).text
data = (json.loads(req).get("data"))
sql_value = []
for i in data:
app_name = i.get('app_name')
yesterday_data = i.get('countList')[1]
create_time = yesterday_data.get('day')
new_comer_count = yesterday_data.get('new_comer_count')
visitor_count = yesterday_data.get('visitor_count')
open_count = yesterday_data.get('open_count')
total_page_count = yesterday_data.get('total_page_count')
secondary_avg_stay_time = yesterday_data.get('secondary_avg_stay_time')
bounce_rate = yesterday_data.get('bounce_rate')
total_visitor_count = yesterday_data.get('total_visitor_count')
value = "(\"%s\",\"%s\",\"%s\",\"%s\",\"%s\",\"%s\",\"%s\",\"%s\",\"%s\")" % (app_name, create_time, new_comer_count, visitor_count, open_count, total_page_count,secondary_avg_stay_time,bounce_rate, total_visitor_count)
sql_value.append(value)
if sql_value != 'None':
return sql_value
else:
dingtalk("获取微信小程序统计信息失败,token: %s" %token)
except Exception as e:
dingtalk("获取微信小程序%s统计信息失败，%s" %e)
if __name__ == '__main__':
secretkey=get_secretkey()
token = get_token(secretkey)
sql = """INSERT INTO operations_db.aldwx_stat (APP_NAME,CREATE_TIME,NEW_COMER_COUNT,VISITOR_COUNT,OPEN_COUNT,TOTAL_PAGE_COUNT,SECONDARY_AVG_STAY_TIME,BOUNCE_RATE,TOTAL_VISITOR_COUNT) VALUES"""
value = get_data(token)
#拼接并转换sql
value = str(value).strip("'[").strip("]'").strip().replace("', '",",")
sql = "%s%s;" % (sql, value)
print(sql)
exec_sql(sql)
3、入库效果
上一篇：python爬虫 正则表达式使用技巧及爬取个人博客的实例讲解
栏 目：Python代码
本文标题：Python爬取阿拉丁统计信息过程图解
本文地址：http://www.codeinn.net/misctech/12147.html
