转自丘壑博客
前言
只要是用WordPress的人或多或少都会装几个插件，可以用来丰富扩展WordPress的各种功能。围绕WordPress平台的插件和主题已经建立了一个独特的经济生态圈和开发者社区，养活了众多的WordPress相关的开发公司和开发者。各种强大的WordPress插件也层出不穷，有的甚至可以做出功能完善的网站，比如招聘网站、分类信息网站、电商网站、点评网站、培训网站等等，令我赞叹不已。
最近一直沉迷于研究 WordPress，仿佛事隔多年与初恋情人再续前缘一般陷入热恋。这几天突发奇想能不能把WordPress上这么多眼花缭乱的插件都爬下来，看看能不能分析出一点有意思的东西来。
总体思路
官网 https://wordpress.org/plugins/ 上列出了一共有 54,520 个插件。记得以前在官网上可以按各种分类浏览的，现在只有推荐的插件、收藏的插件、流行的插件几大类显示出来，其他的只能靠搜索了。
那么首先第一步我们要知道取哪里可以找到所有的WordPress插件列表，搜了一圈发现WordPress的svn上有这个完整的列表， http://plugins.svn.wordpress.org/ （这个网页比较大，5M多），比官网上的还要齐全，一共7万多个。有了完整列表就好办了。
接下来就是要获取的是插件的各种信息，比如作者、下载量、评分等等。这个可以去哪里获取呢？当然最傻的办法就是根据上面列表中的插件地址，把每个插件的网页down下来再提取，这也就是爬虫干的事。不过 WordPress.org 网站自身的 WordPress.org API 已经给开发者提供了非常方便强大的接口，可以获取到几乎所有 wordprss.org 上的主题、插件、新闻等相关的信息，也支持各种参数和查询。注意，这个和WordPress的REST API是两回事。基本上你可以理解成 Apple.com 的 API 和 iOS 的 API 之间的区别（虽然apple.com并没有什么API。。。）
比如本次需要插件的一些数据，那就可以使用关于插件描述的 API， https://api.wordpress.org/plugins/info/1.0/{slug}.json，slug也就是每个插件唯一的地址，这个在刚才svn上已经可以获取到了。用这个 API 可以返回关于插件的 json 格式的信息，很全面，如下：
有了列表，有了返回格式，接下来就是要把这些信息给扒下来，其实就是重复遍历一遍就可以了，要么用著名 Python 的 Requests库 循环一圈，要么使用 Python 的爬虫框架 Scrapy, 都是可以的，本次决定使用 Scrapy。在存储爬取数据存储方面，本来打算是存入 mongodb 的，但是遇到的一个坑是API返回的json对象里version有的key是带小数点的，比如"0.1"这种是无法直接存入mongodb的，会报错说key不能包括., 所以这可以祭出另外一个厉害的python库 jsonline了, 它可以以jsonl文件的形式一行存储一条json，读写速度也很快。最后爬完所有数据的这个文件有341M之大。。。
最后，有了数据就可以做一些有意思的数据分析了，这一步主要会用到的就是一些常见的 Python 的数据分析工具和图表工具，pandas、numpy、seaborn等。根据上面的返回信息可以看出，能够分析的维度也是很多的，比如哪些作者开发的插件最多、哪些插件的下载量最多、哪些类别的插件最多、哪些国家的开发者最多、每年的插件增长量等等，甚至更进一步可以把所有插件的zip文件下载下来用AI做一些深入的代码分析等等，想想还是挺有意思的，本文的目标也就是提供一种思路和方法，希望能抛砖引玉。
下面进开始进入代码的世界吧
爬取数据
准备工作
要爬数据一般第一步是要确认爬虫的入口网页，也就是从哪里开始爬，沿着入口网页找到下一个URL，找-爬-找，不断循环重复直到结束。一般来说入口网页的分析都可以在scrapy内部进行处理，如果事先就已经可以明确知道所有要请求的网页地址，那么也可以直接把url列表扔进scrpay里，让它顺着列表一直爬爬爬就行了。
本次为了说的清晰一点，爬虫部分不用再次解释，所以分步进行，先把要爬的所有url准备好等下可以直接使用。之前说过了，WordPress所有的插件名称列表在这里可以找到 http://plugins.svn.wordpress.org/ ，这网页是一个非常简单的静态网页，就是一个巨大的ul列表，每一个li就是一个插件名字：
<ul>
<li><a href="0-delay-late-caching-for-feeds/">0-delay-late-caching-for-feeds/</a></li>
<li><a href="0-errors/">0-errors/</a></li>
<li><a href="001-prime-strategy-translate-accelerator/">001-prime-strategy-translate-accelerator/</a></li>
<li><a href="002-ps-custom-post-type/">002-ps-custom-post-type/</a></li>
<li><a href="011-ps-custom-taxonomy/">011-ps-custom-taxonomy/</a></li>
<li><a href="012-ps-multi-languages/">012-ps-multi-languages/</a></li>
这里的href就是插件的slug，是wordpress.org用来确定插件的唯一标示。解析这种html对Python来说简直是小菜一碟，比如最常用的 BeautifulSoup 或者 lxmp，这次决定尝试一个比较新的库，Requests-HTML: HTML Parsing for Humans ,这也是开发出Requests库的大神kennethreitz的又一力作，用于解析 HTML 文档的简直不要太爽了。
slug得到后，按照API的url格式地址组合起来，全部写入一个文件中就可以了。
from requests_html import HTMLSession
session = HTMLSession()
r = session.get('http://plugins.svn.wordpress.org/')
links = r.html.links
slugs=[ link.replace('/','') for link in links ]
plugins_urls=[ "https://api.wordpress.org/plugins/info/1.0/{}.json".format(slug) for slug in slugs ]
with open('all_plugins_urls.txt','a') as out:
out.write("\n".join(plugins_urls))
作为对比，可以看下用 BeautifulSoup 的方法：
import requests
from bs4 import BeautifulSoup
html=requests.get("http://plugins.svn.wordpress.org/").text
soup=BeautifulSoup(html,features="lxml")
lis=soup.find_all('li')
baseurl="https://api.wordpress.org/plugins/info/1.0/"
with open('all_plugins_urls.txt','a') as out:
for a in soup.find_all('a', href=True):
out.write( baseurl + a['href'].replace('/','') + ".json"+"\n")
就这么一个简单对比还是比较明显的，简单明了。最终，这一步的输出结果就是这个all_plugins_urls.txt文件了，总共有79223个插件。
有了这个列表，其实下面的Scrapy步骤其实完全可以不用，直接拿wget都可以全部简单粗暴的怼下来7万个json文件：
wget -i all_plugins_urls.txt
或者用requests简单的遍历请求一下就完事了，就可以得到所有插件的数据，进而可以直接进入数据分析阶段了。为了作为演示吧，也算作是一个简单的scrapy的介绍，对于没有接触过scrapy的朋友来说，可以是一个很初步的入门介绍。
安装 scrapy
这一步最简单的方式就是pip安装
pip install Scrapy
scarpy -V # 验证一下
新建项目 (Project)：新建一个新的爬虫项目
scrapy 提供了完善的命令工具可以方便的进行各种爬虫相关的操作。一般来说，使用 scrapy 的第一件事就是创建你的Scrapy项目。我的习惯是首先新建一个文件夹（用要爬的网站来命名,这样可以方便的区分不同网站的爬虫项目）作为总的工作区, 然后进入这个文件夹里新建一个 scrapy 的项目，项目的名字叫做 scrap_wp_plugins，可以改成你想要的名字
mkdir ~/workplace/wordpress.org-spider
cd ~/workplace/wordpress.org-spider
scrapy startproject scrap_wp_plugins
这样就会自动创建好类似如下的文件结构：
├── scrap_wp_plugins
│ ├── __init__.py
│ ├── __pycache__
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ ├── __init__.py
│ └── __pycache__
└── scrapy.cfg
4 directories, 7 files
对我们这个需求来说，除了settings.py需要做一点点修改，其余文件都先不用管它，在这个简单的不能再简单的项目里都用不到。
目前只是一个空架子，啥也干不了，因为还没有爬虫文件，你可以完全纯手写，也可以用模板来生成一个。我们就用scrapy的命令行自动生成一个爬虫，语法格式是这样：
Syntax: scrapy genspider [-t template] <name> <domain>
template 是要使用的爬虫的模板，默认的就是用最基本的一个。
name 就是爬虫的名字，这个可以随便取，等下要开始爬的时候会用到这个名字。好比给你的小蜘蛛取名叫“春十三”，那么在召唤它的时候你就可以大喊一声：“上吧！我的春十三！”
domain 是爬虫运行时允许的域名，好比说：“上吧！我的春十三！只沿着这条路线上！”
所以执行如下命令即可：
cd scrap_wp_plugins
scrapy genspider plugins_spider wordpress.org
这样就会在spiders文件夹下生出一个叫plugins_spider.py的爬虫文件，也就是在这里面可以填充一些爬取逻辑和内容解析。
制作爬虫（Spider）：制作爬虫开始爬取网页
首先我们打开scrap_wp_plugins/plugins_spider.py看下里面的内容：
# -*- coding: utf-8 -*-
import scrapy
class PluginsSpiderSpider(scrapy.Spider):
name = 'plugins_spider'
allowed_domains = ['wordpress.org']
start_urls = ['http://wordpress.org/']
def parse(self, response):
pass
可以看出这就是一个最简单scrapy的Spider的类而已，自动填入了上一步用来创建爬虫时的一些参数。
name：爬虫的识别名，它必须是唯一的，在不同的爬虫中你必须定义不同的名字，就是上一步的命令行里写的plugins_spider.
start_urls：爬虫开始爬的一个URL列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些URLS开始。其他URL将会从这些起始URL中继承性生成。具体来说，在准备工作那一部分，我们已经得到了一个urls的列表文件all_plugins_urls.txt，现在只需要把这个文件读取进来就好了。
parse()：爬虫的方法，调用时候传入从每一个URL传回的Response对象作为参数，response将会是parse方法的唯一的一个参数,
这个方法负责解析返回的数据、匹配抓取的数据(解析为item)并跟踪更多的URL。在本项目中，因为返回的是json，不需要解析任何html，这里为了省事我就直接把json整个存储起来已备后面数据分析的时候再选择需要的字段，当然你也可以根据需要选择过滤掉不需要的json字段。
所以，我们的第一个爬虫就呼之欲出了！请看代码，麻雀虽小五脏俱全
# -*- coding: utf-8 -*-
import scrapy
import json
import jsonlines
运行爬虫
改完上面的爬虫代码，现在就可以让爬虫跑起来了，“上吧！比卡丘！”
scrapy crawl plugins_spider
哦嚯。。。
Forbidden by robots.txt
意外发生了。。。啥也没爬下来？？自信看下报错信息，原来是 https://api.wordpress.org/robots.txt 规定了不允许爬虫，而scrapy默认设置里是遵守robot协议的，所以简单绕过就行了，打开 setttings.py, 找到下面这行，把True改为False，意思是：“爱咋咋地，老子不屌你的robots.txt ”
# Obey robots.txt rules
ROBOTSTXT_OBEY = True
现在就可以愉快的爬取了。还有一点温馨提示，如果爬取数量比较多，不想中途因为断网或者其他什么鬼知道的意外中断，导致下次又要重新来过，可以加上scrapy的执行日志来保存爬虫状态，下次就会从中断处开始继续爬取
scrapy crawl plugins_spider -s JOBDIR=spiderlog --logfile log.out &
这样就可以安心的去睡个觉，一早起来就能看到热呼呼新鲜出路的WordPress所有的插件信息了。
未完待续
没想到写了这么多写到这么晚。。。。可能东拉西扯。废话太多了，下一篇继续再写关于数据分析的科普文吧。