如何用Python爬取排行榜上的游戲打折信息

如何用Python爬取排行榜上的游戲打折信息，針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

前言

不知不覺，一年一度如火如荼的steam夏日促銷悄然開始了。每年通過大大小小的促銷，我的游戲庫里已經堆積滿還未下載過的游戲。但所謂“買到就是賺到，G胖一定大虧”的想法日漸流行，指不定以后就靠它們發達了呢。

有時候滾動steam的排行榜看自己喜歡的游戲的時候，未免會被右邊的價格影響到。久而久之我發現我所不想買的游戲并不是因為它不好玩，而是它還沒打折。又或者有些心水未被別人挖掘，在排行榜隱秘的角落里自怨自艾，等待“把玩”它的人出現~

于是我簡單的用python爬取了steam排行榜前10000個游戲的信息，其中有游戲名，評價，價格，出版日期等，在更加簡潔的列表界面選取自己感興趣的游戲之時，也可以進行進一步的數據分析。

廢話不多說，趕緊開始，不然被我拖更到促銷結束了就蹭不到熱度了。（本來也沒有熱度）

開始爬取

先說說這次爬蟲選用數據的優缺點：

第一，我發現了steam在顯示排行榜列表的時候后臺會進行一個查詢的申請，點開一看是一串json代碼，而且在python進行request的時候不需要模擬瀏覽器進行填“headers”表的操作。通過訪問而得到的json代碼大大簡化了循環復雜度，一次循環可以得到100個游戲信息。

第二，因為只需要遍歷所有json代碼，時間上可以比進入每一個游戲鏈接更加短。

第三，但就因為沒有進入每個游戲的鏈接，所以像評論，簡介，開發商等信息就沒有爬取。但爬取游戲鏈接的爬蟲攻略網上也有很多，這里就不弄斧了。

首先，進入官網的排行榜頁面，為了避免游戲DLC、bundle等影響后期操作的類型出現，記得在右邊的過濾器里只勾選游戲類目。

通過后臺的XHR發現，頁面每次刷新都只顯示前50個游戲，當我們滾動頁面往下看時，網站會發送一個神秘代碼：

經過觀察，我發現代碼會自動申請返回從start參數的數字開始，一共count參數的數字的游戲信息。比如，下面的圖顯示它申請了從第51個到100個總共50個游戲的信息。

雙擊上上圖的紅框鏈接，返回的頁面長這樣：

所謂json格式，其實就是在字典里夾字典或者列表，目前許多大數據都是這樣保存滴。所以在查詢的時候其實很方便，但是我在抽取信息的時候還是會用到正則表達式，因為會方便很多。

知道這些之后，剩下的就可以用python一個個有用信息抽取出來，組成一個新的Dataframe列表，以便之后保存為csv格式。

# 導入需要用到的庫
import requests
from bs4 import BeautifulSoup
import re
import json
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

我們嘗試用requests打開上面json頁面的鏈接，并用json load解析。

這里我更改了start和count 的參數，比較方便對照原網頁來看信息是否一致。

url = 'https://store.steampowered.com/search/results/?query&start=0&count=100&dynamic_data=&sort_by=_ASC&category1=998&snr=1_7_7_globaltopsellers_7&filter=globaltopsellers&infinite=1'
content = requests.get(url).content
jsontext = json.loads(content)
soup = BeautifulSoup(jsontext['results_html'],'html.parser')

可以看看soup返回的結果，它顯示了json里邊'results_html'返回的東西，因為前邊的內容我們已經不需要了，所有游戲信息都在這個鍵里邊。

接著我們回到那個json頁面看看我們想要的東西都藏在哪：

游戲名字藏在span的title class里：

listdate = soup.find_all('div', class_ ='col search_released responsive_secondrow')

同樣的，可以用上面的方法找到游戲的鏈接、ID，這里就不贅述了。

評分和打分人數藏在span標簽里，如果用字典查找的話會比較麻煩，所以我們稍后使用正則表達式將它倆提取出來：

不幸運的是，有些游戲因為還沒上架，所以沒有人評論，我們用正則表達式得到的信息是亂碼。所以我們用函數來防止出現亂碼的可能性：

def get_reviewscore(review):
    gamereview=[]
    for i in range(len(review)):    
        try:
            score = re.search('br>(\d\d)%',str(review[i]))[1]
        except:
            score = ''
        gamereview.append(score)
    return gamereview
###########################################
def get_reviewers(review):
    reviewers=[]
    for i in range(len(review)):
        try:
            ppl = (re.search('the\s(.*?)(\s)user',str(review[i]))[1])
        except:
            ppl = ''
        reviewers.append(ppl)
    return reviewers

如果看到這里的讀者覺得很輕松，那我便可以繼續往下述說，因為爬取價格比評論更加麻煩。但僅限于麻煩，并沒有很高大上的操作；而我相信我并不是用聰明的方法爬取到想要的結果，因為對于這個體量的數據再優化的代碼對于運行時間來說相差不大。反正結果都一樣，管它呢。

其實要找物品的最終價格（即免費游戲，打折后或未打折的游戲價格）非常簡單，因為他就藏在這里：

默認后邊兩位為小數點后兩位，所以我們直接把這串數字揪出來并除以100：

def get_finalprice(price):
    finalprice=[]
    for i in range(len(price)):
        pricelist = int(re.search('final(\W+?)(\d+)(\W)',str(price[i]))[2])/100
        finalprice.append(pricelist)
    return finalprice

但我們如果就想知道他的原價，以便之后做分析該怎么辦呢？

先看一下steam排行榜上的價格有三種顯示方法：

第一種，帶有劃線價格的打折商品，在源代碼中長這樣：

第二種，免費的：

頭疼的是，免費的標識也有變體：

(連to的大小寫也有不一樣的……steam您用點心！）

不過Free還是老老實實在最前面，所以我們后邊只要找到Free就好啦。

第三種，原價顯示：

上面的圖片都是我在抽查的時候發現的規律與變形，為了避免后續幾千個游戲有“烏合之眾”，我在代碼里只查找這三種格式，如果有奇形怪狀的數據出現，直接一棍子打成“空值”：

def get_price(price):
    oripricelist=[]
    for i in range(len(price)):
        try:
            oripricelist.append(price[i].find_all(class_="col search_price responsive_secondrow")[0].text)
        except:
            oripricelist.append(price[i].find_all(class_="col search_price discounted responsive_secondrow")[0].text)

    ori_price=[]
    for i in range(len(oripricelist)):
        try:
            search = re.search('Free',oripricelist[i])[0].replace('Free','0')
        except:
            if oripricelist[i]== '\n':
                search=''
            else:
                try:
                    search = re.search('HK.*?(\d+\.\d+)\D',oripricelist[i])[1]
                except:
                    search=''
        ori_price.append(search)
    return ori_price

定義完這些想要的數據之后，我們就開始跑循環了。

先把我們要的數據列命好名字：

def get_data(games=1000): 
    num_games = games
    gamename=[]
    gamereview=[]
    gamereviewers=[]
    gamerelease=[]
    oriprice=[]
    final_price=[]
    appid=[]
    website=[]

接著我們以每個鏈接查詢100個游戲的步伐開始跑循環并將里邊的信息找出來，錄入上面的列表里：

       page = np.arange(0,num_games,100)
    for num in page:
        url = 'https://store.steampowered.com/search/results/?query&start='+str(num)+'&count=100&dynamic_data=&sort_by=_ASC&category1=998&snr=1_7_7_globaltopsellers_7&filter=globaltopsellers&infinite=1'
        print('the {} iteration: Trying to connect...'.format((num/100)+1))
        content = requests.get(url).content
        jsontext = json.loads(content)
        soup = BeautifulSoup(jsontext['results_html'],'html.parser')
        name = soup.find_all('span',class_ ='title')
        review = soup.find_all('div', class_ ='col search_reviewscore responsive_secondrow')
        listdate = soup.find_all('div', class_ ='col search_released responsive_secondrow')
        price = soup.find_all('div', class_ = 'col search_price_discount_combined responsive_secondrow')
        href = soup.find_all(class_='search_result_row ds_collapse_flag')
        for i in name:
            gamename.append(i.text)
        getreview = get_reviewscore(review) 
        for i in getreview:
            gamereview.append(i)
        getreviewers = get_reviewers(review)
        for i in getreviewers:
            gamereviewers.append(i)
        for i in listdate:
            gamerelease.append(i.text)
        getprice = get_price(price)
        for i in getprice:
            oriprice.append(i)
        getfinalprice = get_finalprice(price)
        for i in getfinalprice:
            final_price.append(i)
        for i in range(len(href)):
            appid.append(eval(soup.find_all(class_='search_result_row ds_collapse_flag')[i].attrs['data-ds-appid']))
            website.append(soup.find_all(class_='search_result_row ds_collapse_flag')[i].attrs['href'])
        print('done')

我們在遍歷中每次訪問頁面、完成每次循環的時候都讓電腦打印一段字，以便出錯的時候能快速找出出錯的頁面。

接下來就將得到的數據塞進一個數據表里：

    df = pd.DataFrame(data=[gamename,gamereview,gamereviewers,gamerelease,oriprice,final_price,appid,website]).T
    df.columns = ['name','review_score','reviewers','release_date','ori_price','final_price','id','link']
    return df

#呼叫我們的函數：
df = get_data(10000) #這里的數字代表爬取10000個游戲

等待漫長的過程與欣賞成功的過程：

最后的數據集長這樣：

前1000個游戲里總共有3個這樣的錯誤：

實況足球2020 是demo版免費，而想體驗完整游戲確實需要78港幣；

奇異人生1 是第一篇章免費，后邊的篇章需要23.8港幣。

這些代碼跑起來雖然快，但得到的信息依舊太少，如果要深入研究steam的數據還是需要有強大的耐心遍歷所有游戲鏈接吶。

這次的爬蟲經歷其實也發現了steam一些錄入大數據庫的時候的小差錯，比如前面所提到的免費標識竟然有3種變體，但他們可能覺得問題不大。

關于如何用Python爬取排行榜上的游戲打折信息問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。