前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

不知不觉,一年一度如火如荼的steam夏日促销悄然开始了 。每年通过大大小小的促销 ,我的游戏库里已经堆积满还未下载过的游戏。但所谓“买到就是赚到,G胖一定大亏”的想法日渐流行,指不定以后就靠它们发达了呢。

有时候滚动steam的排行榜看自己喜欢的游戏的时候 ,未免会被右边的价格影响到 。久而久之我发现我所不想买的游戏并不是因为它不好玩,而是它还没打折。又或者有些心水未被别人挖掘,在排行榜隐秘的角落里自怨自艾 ,等待“把玩 ”它的人出现~

于是我简单的用python爬取了steam排行榜前10000个游戏的信息,其中有游戏名,评价 ,价格,出版日期等,在更加简洁的列表界面选取自己感兴趣的游戏之时 ,也可以进行进一步的数据分析。

废话不多说 ,赶紧开始,不然被我拖更到促销结束了就蹭不到热度了 。(本来也没有热度)

 

开始爬取

先说说这次爬虫选用数据的优缺点:

第一,我发现了steam在显示排行榜列表的时候后台会进行一个查询的申请 ,点开一看是一串json代码,而且在python进行request的时候不需要模拟浏览器进行填“headers”表的操作。通过访问而得到的json代码大大简化了循环复杂度,一次循环可以得到100个游戏信息。

第二 ,因为只需要遍历所有json代码,时间上可以比进入每一个游戏链接更加短 。

第三,但就因为没有进入每个游戏的链接 ,所以像评论,简介,开发商等信息就没有爬取。但爬取游戏链接的爬虫攻略网上也有很多 ,这里就不弄斧了。

 

首先,进入官网的排行榜页面,为了避免游戏DLC、bundle等影响后期操作的类型出现 ,记得在右边的过滤器里只勾选游戏类目 。

 

通过后台的XHR发现 ,页面每次刷新都只显示前50个游戏,当我们滚动页面往下看时,网站会发送一个神秘代码:

 

经过观察 ,我发现代码会自动申请返回从start参数的数字开始,一共count参数的数字的游戏信息 。比如,下面的图显示它申请了从第51个到100个总共50个游戏的信息。

 

双击上上图的红框链接 ,返回的页面长这样:

 

所谓json格式,其实就是在字典里夹字典或者列表,目前许多大数据都是这样保存滴。所以在查询的时候其实很方便 ,但是我在抽取信息的时候还是会用到正则表达式,因为会方便很多 。

 

知道这些之后,剩下的就可以用python一个个有用信息抽取出来 ,组成一个新的Dataframe列表,以便之后保存为csv格式。

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

我们尝试用requests打开上面json页面的链接,并用json load解析。

这里我更改了start和count 的参数 ,比较方便对照原网页来看信息是否一致 。

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返回的结果 ,它显示了json里边'results_html'返回的东西,因为前边的内容我们已经不需要了,所有游戏信息都在这个键里边。

 

接着我们回到那个json页面看看我们想要的东西都藏在哪:

游戏名字藏在span的title class里:

 

name = soup.find_all('span',class_ ='title')

出版日期藏在div的另一个class里:

 

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

同样的 ,可以用上面的方法找到游戏的链接 、ID,这里就不赘述了。

 

评分和打分人数藏在span标签里,如果用字典查找的话会比较麻烦 ,所以我们稍后使用正则表达式将它俩提取出来:

 

不幸运的是,有些游戏因为还没上架,所以没有人评论 ,我们用正则表达式得到的信息是乱码 。所以我们用函数来防止出现乱码的可能性:

 

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

如果看到这里的读者觉得很轻松,那我便可以继续往下述说,因为爬取价格比评论更加麻烦。但仅限于麻烦 ,并没有很高大上的操作;而我相信我并不是用聪明的方法爬取到想要的结果,因为对于这个体量的数据再优化的代码对于运行时间来说相差不大。反正结果都一样,管它呢 。

 

其实要找物品的最终价格(即免费游戏 ,打折后或未打折的游戏价格)非常简单 ,因为他就藏在这里:

 

默认后边两位为小数点后两位,所以我们直接把这串数字揪出来并除以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

但我们如果就想知道他的原价,以便之后做分析该怎么办呢?

先看一下steam排行榜上的价格有三种显示方法:

 

第一种 ,带有划线价格的打折商品,在源代码中长这样:

 

 

第二种,免费的:

 

头疼的是 ,免费的标识也有变体:

 

 

 

 

 

 

(连to的大小写也有不一样的……steam您用点心!)

 

不过Free还是老老实实在最前面,所以我们后边只要找到Free就好啦。

 

第三种,原价显示:

 

上面的图片都是我在抽查的时候发现的规律与变形 ,为了避免后续几千个游戏有“乌合之众”,我在代码里只查找这三种格式,如果有奇形怪状的数据出现 ,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 

 

定义完这些想要的数据之后,我们就开始跑循环了。

先把我们要的数据列命好名字:

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

 

接着我们以每个链接查询100个游戏的步伐开始跑循环并将里边的信息找出来,录入上面的列表里:

 

       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')

 

我们在遍历中每次访问页面、完成每次循环的时候都让电脑打印一段字 ,以便出错的时候能快速找出出错的页面 。

 

接下来就将得到的数据塞进一个数据表里:

    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

#呼叫我们的函数:
df = get_data(10000) #这里的数字代表爬取10000个游戏

等待漫长的过程与欣赏成功的过程:

 

最后的数据集长这样:

 

接下来只要保存为csv格式 ,就可以开始分析数据了 。但这已经不是爬虫文章的内容,所以不会往下继续分析啦。

 

总结与反思

我发现final_price也就是一开始提取的最终价格中,会有高于原价的现象。

比如CS:GO的最终价格并不是0 ,是因为它有一个升级包:

 

前1000个游戏里总共有3个这样的错误:

 

实况足球2020 是demo版免费,而想体验完整游戏确实需要78港币;

奇异人生1 是第一篇章免费,后边的篇章需要23.8港币 。

 

这些代码跑起来虽然快 ,但得到的信息依旧太少,如果要深入研究steam的数据还是需要有强大的耐心遍历所有游戏链接呐。

 

这次的爬虫经历其实也发现了steam一些录入大数据库的时候的小差错,比如前面所提到的免费标识竟然有3种变体 ,但他们可能觉得问题不大。

 

终于整理结束,赶紧结尾:

这次的文章就到这里,希望对大家有所帮助~!

本文版权归趣快排营销www.SEOguruBLOG.com 所有,如有转发请注明来出,竞价开户托管,seo优化请联系QQ㊣61910465